在 Intel GPU 上开始使用¶

硬件先决条件¶

针对 Intel 数据中心 GPU

设备	Red Hat* Enterprise Linux* 9.2	SUSE Linux Enterprise Server* 15 SP5	Ubuntu* Server 22.04（>= 5.15 LTS 内核）
英特尔® 数据中心 GPU Max 系列（代号：Ponte Vecchio）	是	是	是

针对 Intel 客户端 GPU

支持的操作系统

已验证硬件

Windows 10/11 与 Ubuntu 24.10

英特尔® Arc A 系列显卡（代号：Alchemist）
英特尔® Arc B 系列显卡（代号：Battlemage）
搭载英特尔® Arc™ 显卡的英特尔® 酷睿™ Ultra 处理器（代号：Meteor Lake）
搭载英特尔® Arc™ 显卡的英特尔® 酷睿™ Ultra 200V 系列处理器（代号：Lunar Lake）
搭载英特尔® Arc™ 显卡的英特尔® 酷睿™ Ultra 系列 2 处理器（代号：Arrow Lake）

Ubuntu 24.04 与 WSL2 (Ubuntu 24.04)

英特尔® Arc A 系列显卡（代号：Alchemist）
搭载英特尔® Arc™ 显卡的英特尔® 酷睿™ Ultra 处理器（代号：Meteor Lake）
搭载英特尔® Arc™ 显卡的英特尔® 酷睿™ Ultra 200V 系列处理器（代号：Lunar Lake）
搭载英特尔® Arc™ 显卡的英特尔® 酷睿™ Ultra 系列 2 处理器（代号：Arrow Lake）

从 PyTorch* 2.5 版本开始，Intel GPU 支持（原型）已面向 Linux 和 Windows 上的英特尔® 客户端 GPU 和英特尔® 数据中心 GPU Max 系列提供，这将 Intel GPU 和 SYCL* 软件栈整合到官方 PyTorch 栈中，提供一致的用户体验，以适应更多 AI 应用场景。

软件先决条件¶

要在 Intel GPU 上使用 PyTorch，您首先需要安装 Intel GPU 驱动程序。有关安装指南，请访问 Intel GPU 驱动程序安装。

如果您从二进制文件安装，请跳过 Intel® Deep Learning Essentials 安装部分。要从源代码构建，请参阅 Intel GPU 的 PyTorch 安装先决条件，了解 Intel GPU 驱动程序和 Intel® Deep Learning Essentials 的安装方法。

安装¶

二进制文件¶

在安装了 Intel GPU 驱动程序后，使用以下命令在 Linux 上安装 pytorch、torchvision 和 torchaudio》。


针对发布版 wheel
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/xpu


针对 nightly 版 wheel
pip3 install --pre torch torchvision torchaudio --index-url https://download.pytorch.org/whl/nightly/xpu



从源代码¶
在安装了 Intel GPU 驱动程序和 Intel® Deep Learning Essentials 后。按照指南从源代码构建 pytorch、torchvision 和 torchaudio》。

有关从源代码构建 torch 的信息，请参阅 PyTorch 安装 从源代码构建。
有关从源代码构建 torchvision 的信息，请参阅 Torchvision 安装 从源代码构建。
有关从源代码构建 torchaudio 的信息，请参阅 Torchaudio 安装 从源代码构建。



检查 Intel GPU 可用性¶
要检查您的 Intel GPU 是否可用，您通常可以使用以下代码
import torch
torch.xpu.is_available()  # torch.xpu is the API for Intel GPU support


如果输出为 False，请仔细检查 Intel GPU 驱动程序安装。


最低代码更改¶
如果您正在从 cuda 迁移代码，您需要将对 cuda 的引用更改为 xpu。例如
# CUDA CODE
tensor = torch.tensor([1.0, 2.0]).to("cuda")

# CODE for Intel GPU
tensor = torch.tensor([1.0, 2.0]).to("xpu")


以下几点概述了 PyTorch 对 Intel GPU 的支持和限制

支持训练和推理工作流程。
支持 eager 模式和 torch.compile。从 PyTorch* 2.7 版本开始，Intel GPU 也支持在 Windows 上使用 torch.compile 功能，请参阅 如何在 Windows 上配合 CPU/XPU 使用 Inductor。
支持 FP32、BF16、FP16 等数据类型以及自动混合精度 (AMP)。



示例¶
本节包含推理和训练工作流程的使用示例。

推理示例¶
以下是一些推理工作流程示例。

使用 FP32 进行推理¶
import torch
import torchvision.models as models

model = models.resnet50(weights="ResNet50_Weights.DEFAULT")
model.eval()
data = torch.rand(1, 3, 224, 224)

model = model.to("xpu")
data = data.to("xpu")

with torch.no_grad():
    model(data)

print("Execution finished")




使用 AMP 进行推理¶
import torch
import torchvision.models as models

model = models.resnet50(weights="ResNet50_Weights.DEFAULT")
model.eval()
data = torch.rand(1, 3, 224, 224)

model = model.to("xpu")
data = data.to("xpu")

with torch.no_grad():
    d = torch.rand(1, 3, 224, 224)
    d = d.to("xpu")
    # set dtype=torch.bfloat16 for BF16
    with torch.autocast(device_type="xpu", dtype=torch.float16, enabled=True):
        model(data)

print("Execution finished")




使用 torch.compile 进行推理¶
import torch
import torchvision.models as models
import time

model = models.resnet50(weights="ResNet50_Weights.DEFAULT")
model.eval()
data = torch.rand(1, 3, 224, 224)
ITERS = 10

model = model.to("xpu")
data = data.to("xpu")

for i in range(ITERS):
    start = time.time()
    with torch.no_grad():
        model(data)
        torch.xpu.synchronize()
    end = time.time()
    print(f"Inference time before torch.compile for iteration {i}: {(end-start)*1000} ms")

model = torch.compile(model)
for i in range(ITERS):
    start = time.time()
    with torch.no_grad():
        model(data)
        torch.xpu.synchronize()
    end = time.time()
    print(f"Inference time after torch.compile for iteration {i}: {(end-start)*1000} ms")

print("Execution finished")





训练示例¶
以下是一些训练工作流程示例。

使用 FP32 进行训练¶
import torch
import torchvision

LR = 0.001
DOWNLOAD = True
DATA = "datasets/cifar10/"

transform = torchvision.transforms.Compose(
    [
        torchvision.transforms.Resize((224, 224)),
        torchvision.transforms.ToTensor(),
        torchvision.transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
    ]
)
train_dataset = torchvision.datasets.CIFAR10(
    root=DATA,
    train=True,
    transform=transform,
    download=DOWNLOAD,
)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=128)
train_len = len(train_loader)

model = torchvision.models.resnet50()
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR, momentum=0.9)
model.train()
model = model.to("xpu")
criterion = criterion.to("xpu")

print(f"Initiating training")
for batch_idx, (data, target) in enumerate(train_loader):
    data = data.to("xpu")
    target = target.to("xpu")
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()
    if (batch_idx + 1) % 10 == 0:
         iteration_loss = loss.item()
         print(f"Iteration [{batch_idx+1}/{train_len}], Loss: {iteration_loss:.4f}")
torch.save(
    {
        "model_state_dict": model.state_dict(),
        "optimizer_state_dict": optimizer.state_dict(),
    },
    "checkpoint.pth",
)

print("Execution finished")




使用 AMP 进行训练¶
注意：使用 GradScaler 进行训练需要硬件支持 FP64。FP64 不受英特尔® Arc™ A 系列显卡原生支持。如果您在英特尔® Arc™ A 系列显卡上运行工作负载，请禁用 GradScaler。
import torch
import torchvision

LR = 0.001
DOWNLOAD = True
DATA = "datasets/cifar10/"

use_amp=True

transform = torchvision.transforms.Compose(
    [
        torchvision.transforms.Resize((224, 224)),
        torchvision.transforms.ToTensor(),
        torchvision.transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
    ]
)
train_dataset = torchvision.datasets.CIFAR10(
    root=DATA,
    train=True,
    transform=transform,
    download=DOWNLOAD,
)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=128)
train_len = len(train_loader)

model = torchvision.models.resnet50()
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR, momentum=0.9)
scaler = torch.amp.GradScaler(device="xpu", enabled=use_amp)

model.train()
model = model.to("xpu")
criterion = criterion.to("xpu")

print(f"Initiating training")
for batch_idx, (data, target) in enumerate(train_loader):
    data = data.to("xpu")
    target = target.to("xpu")
    # set dtype=torch.bfloat16 for BF16
    with torch.autocast(device_type="xpu", dtype=torch.float16, enabled=use_amp):
        output = model(data)
        loss = criterion(output, target)
    scaler.scale(loss).backward()
    scaler.step(optimizer)
    scaler.update()
    optimizer.zero_grad()
    if (batch_idx + 1) % 10 == 0:
         iteration_loss = loss.item()
         print(f"Iteration [{batch_idx+1}/{train_len}], Loss: {iteration_loss:.4f}")

torch.save(
    {
        "model_state_dict": model.state_dict(),
        "optimizer_state_dict": optimizer.state_dict(),
    },
    "checkpoint.pth",
)

print("Execution finished")




使用 torch.compile 进行训练¶
import torch
import torchvision

LR = 0.001
DOWNLOAD = True
DATA = "datasets/cifar10/"

transform = torchvision.transforms.Compose(
    [
        torchvision.transforms.Resize((224, 224)),
        torchvision.transforms.ToTensor(),
        torchvision.transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)),
    ]
)
train_dataset = torchvision.datasets.CIFAR10(
    root=DATA,
    train=True,
    transform=transform,
    download=DOWNLOAD,
)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=128)
train_len = len(train_loader)

model = torchvision.models.resnet50()
criterion = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=LR, momentum=0.9)
model.train()
model = model.to("xpu")
criterion = criterion.to("xpu")
model = torch.compile(model)

print(f"Initiating training with torch compile")
for batch_idx, (data, target) in enumerate(train_loader):
    data = data.to("xpu")
    target = target.to("xpu")
    optimizer.zero_grad()
    output = model(data)
    loss = criterion(output, target)
    loss.backward()
    optimizer.step()
    if (batch_idx + 1) % 10 == 0:
         iteration_loss = loss.item()
         print(f"Iteration [{batch_idx+1}/{train_len}], Loss: {iteration_loss:.4f}")
torch.save(
    {
        "model_state_dict": model.state_dict(),
        "optimizer_state_dict": optimizer.state_dict(),
    },
    "checkpoint.pth",
)

print("Execution finished")

在 Intel GPU 上开始使用¶

硬件先决条件¶

软件先决条件¶

安装¶

二进制文件¶

从源代码¶

检查 Intel GPU 可用性¶

最低代码更改¶

示例¶

推理示例¶

使用 FP32 进行推理¶

使用 AMP 进行推理¶

使用 `torch.compile` 进行推理¶

训练示例¶

使用 FP32 进行训练¶

使用 AMP 进行训练¶

使用 `torch.compile` 进行训练¶

文档

教程

资源