nemo-mbridge-perf-tp-dp-comm-overlap
NVIDIA Megatron-Bridge 中启用 TP、DP、PP 通信重叠的操作指南,包含配置开关、代码锚点、常见陷阱与验证方法,帮助提升大规模分布式训练的通信效率。
找到适合任务的 Agent Skill,阅读介绍并复制安装命令。
更新于 11-21 00:15
54,055 个结果
NVIDIA Megatron-Bridge 中启用 TP、DP、PP 通信重叠的操作指南,包含配置开关、代码锚点、常见陷阱与验证方法,帮助提升大规模分布式训练的通信效率。
面向 Megatron Bridge 的配方推荐技能,依据模型、GPU 数量与硬件、训练目标(预训练/SFT/PEFT)和序列长度,推荐库配方或基准配方、入口命令及并行度调整建议,并提示常见配置陷阱。
NV-Segment-CT 是 NVIDIA 提供的技能封装,用于在 CT NIfTI 体积上运行 VISTA3D 分割并记录标签图证据。它通过固定脚本调用上游模型,输出 label_map 与 result_json,仅用于工程验证,不用于临床解读或诊断。
NV-Segment-CTMR 是 NVIDIA 提供的技能封装,用于在 CT 或 MRI 的 NIfTI 体数据上运行 NV-Segment-CTMR 分割并记录标签图证据,不用于临床解读。
用于 NVIDIA TAO 网络的容器化 AutoML 与超参数优化(HPO)技能,通过 AutoMLRunner 自动生成推荐、提交训练/评估等作业、提取指标并回馈优化器,支持 bayesian、hyperband、asha、bohb、dehb、pbt 及 LLM 引导等算法。
该技能按顺序串联 NVIDIA AOI 三阶段训练流程:阶段1用 tao-run-automl 做 AutoML 超参搜索(HPO)得到基线,阶段2调用 DEFT 技能(默认 tao-run-deft-aoi)执行 RCA→SDG→挖掘→普通重训的迭代数据改进循环,阶段3在增强数据集上再次运行 AutoML 精调。它本身不重新实现 AutoML 或 DEFT,只负责两者之间的规格与检查点交接。
用于 NVIDIA TAO VisualChangeNet / ChangeNet PCB 检测模型的 DEFT AOI 改进循环技能:执行基线评估、RCA、合成缺陷生成、数据挖掘、重训练与部署门控,直到满足客户定义的 KPI 目标。
用于启动、查询和停止 NVIDIA TAO 网络专属推理微服务的技能,通过委派容器执行到本地 Docker、Brev、Slurm 或 Kubernetes 平台,支持 OpenAI 兼容的推理请求、服务注册与就绪轮询。
用于在 DGX Cloud Lepton 托管 GPU 平台上提交与管理 TAO 作业的技能,提供创建、状态查询、取消及分布式训练接口,需 TAO SDK(Lepton 扩展)和相应凭据。
用于在 SLURM 管理的远程 GPU 集群上运行 TAO 训练、评估与推理任务的技能:经 SSH 登录节点,用 sbatch/srun 提交作业,通过 Pyxis/Enroot 容器执行,数据和结果放在 Lustre 共享存储上。
NVIDIA TAO 技能库中的 Deformable DETR 二维目标检测技能,使用可变形注意力进行高效多尺度特征处理,比 DINO 更轻量且精度有竞争力。支持训练、评估、推理、导出与量化,训练层支持 AutoML。
NVIDIA TAO 技能库中的 DINO 二维目标检测技能,基于改进去噪锚框的 DETR 检测器,支持训练、评估、导出、蒸馏、量化与推理,并提供 AutoML/多 GPU 支持。
基于 NVIDIA TAO 的 FastFoundationStereo(FFS)技能,用蒸馏版 bp2 商业模型从校正立体图像对实时预测视差图,支持训练、评估、导出与 TensorRT 部署。
面向 TAO 工具链的 Grounding DINO 开放集目标检测技能,结合 DINO 式检测与 BERT 文本编码器,可按文本提示检测目标,无需固定类别词表,支持训练、评估、推理、导出与量化。
NVIDIA TAO 技能库中的度量学习识别(ml-recog)技能,用于细粒度视觉识别,通过三元组/对比损失学习嵌入向量,支持基于检索的匹配(如零售商品识别)。
NVIDIA TAO 技能库中的人员重识别(ReID)训练技能,基于度量学习学习判别性嵌入,用于跨摄像头匹配同一行人。支持 train、evaluate、inference、export 四个动作,通过 Docker 运行 TAO PyT 镜像,需按规范配置数据集与 checkpoint。
NVIDIA TAO 技能库中的 SegFormer 语义分割技能,用于训练、评估、导出、推理与量化基于轻量 Transformer 的分割模型,支持层级特征提取,适合实时分割任务;训练默认经 AutoML 调参并优化 val_miou。
面向 cuTile 内核的性能优化技能,在 TileGym 仓库中通过系统化剖析、瓶颈分析与定向调参,迭代提升内核性能。覆盖 tile 尺寸、TMA、持久化调度与自动调参等方向,以延迟(ms)为核心指标并保持数值正确性。
根据目标与证据,在澄清、调查、规范和实现等能力之间动态选择下一步的工作流。
通过分轮追问梳理计划、决策和想法,逐步澄清会影响后续选择的关键问题;本页依据发布者保留的同名上游参考整理。
该技能用于从 YouTube、SoundCloud、Spotify 等平台下载音频或音乐,基于 yt-dlp 与 spotdl 提供单曲、播放列表、专辑下载及元数据、封面嵌入、格式转换等命令模板。
该技能要求在回答“不知道”、猜测或把话题当作全新内容前,先检索历史对话记忆。它通过 search-conversations 子代理或 episodic-memory 的 MCP 搜索/读取工具,查找过往决策、模式、坑点与代码示例,并综合成可执行结论与来源。
用于排查 superpowers 会话出现问题原因的技能:与用户确认问题陈述,读取磁盘上的会话记录并依据证据报告发生了什么。只做报告,不做 superpowers 缺陷诊断,每项发现须标注 path:line。
Defuddle 是一个命令行工具,用于从网页 HTML 中提取干净、可读的正文内容,并输出为 Markdown。它来自 obsidianmd/obsidian-skills 技能集合。该工具会移除导航、广告和页面杂乱元素,相比直接抓取网页可减少 token 消耗,适合在标准网页内容提取场景中优先使用。需通过 npm 全局安装后使用,支持将结果保存为文件,或单独提取标题、描述、域名等元数据。