DeepSpeed Inference: Tensor Parallelism and Memory Efficiency for Large Models

Kieli
Englanti
Formaatti
Kategoria

Tietokirjallisuus

"DeepSpeed Inference: Tensor Parallelism and Memory Efficiency for Large Models"

Serving large transformer models efficiently is no longer a matter of loading weights and hoping the hardware keeps up. This book is written for experienced ML engineers, systems practitioners, and infrastructure researchers who need a precise, production-oriented understanding of how DeepSpeed Inference scales models beyond single-device limits while preserving latency and throughput. It speaks directly to readers responsible for real deployment decisions, not simplified toy examples.

Across the book, you will learn how DeepSpeed’s inference stack is structured, how `init_inference` controls runtime behavior, and when tensor parallelism is the right scaling mechanism. It examines kernel injection, fused execution, checkpoint compatibility, automatic versus manual partitioning, ZeRO-Inference, heterogeneous memory, KV-cache offloading, and quantization as interconnected system choices rather than isolated features. The result is a rigorous framework for choosing deployment regimes, diagnosing bottlenecks, and engineering memory-efficient serving paths for very large models.

The treatment is version-aware and deliberately practical, helping readers navigate documentation drift, model support boundaries, and migration from classic DeepSpeed Inference concepts to newer FastGen-era framing. Readers should already be comfortable with transformer architectures, distributed GPU systems, and modern model-serving workflows. In return, the book offers a deeply technical, structured guide to the perfor

© 2026 NobleTrex Press (E-kirja): 6610001214845

Julkaisupäivä

E-kirja: 5. toukokuuta 2026

Avainsanat

    Kuuntele missä ja milloin haluat

    Astu tarinoiden maailmaan

    • Pohjoismaiden suosituin ääni- ja e-kirjapalvelu
    • Uppoudu suureen valikoimaan äänikirjoja ja e-kirjoja
    • Storytel Original -sisältöjä yksinoikeudella
    • Ei sitoutumisaikaa
    Aloita ilmainen kokeilu
    NO - Details page - Device banner - 894x1036
    Cover for DeepSpeed Inference: Tensor Parallelism and Memory Efficiency for Large Models

    Valitse tilausmalli

    • Yli miljoona tarinaa

    • Suosituksia juuri sinulle

    • Uusia Storytel Original + muita eksklusiivisia sisältöjä kuukausittain

    • Turvallinen Kids Mode

    • Ei sitoutumisaikaa

    Suosituin

    Premium

    Sinulle joka kuuntelet ja luet usein.

    19.99 € /kuukausi

    • Ei sitoutumisaikaa

    Aloita ilmainen kokeilu

    Standard

    Sinulle joka kuuntelet säännöllisesti.

    16.99 € /kuukausi

    • Ei sitoutumisaikaa

    Aloita ilmainen kokeilu

    Flex

    Sinulle joka kuuntelet vähemmän.

    9.99 € /kuukausi

    • Säästä käyttämättömät tunnit, max 20h

    • Ei sitoutumisaikaa

    Aloita ilmainen kokeilu

    Unlimited

    Sinulle joka haluat rajattomasti tarinoita.

    29.99 € /kuukausi

    • Ei sitoutumisaikaa

    Aloita ilmainen kokeilu

    Family

    Kun haluat jakaa tarinoita perheen kanssa.

    Alkaen 26.99 € /kuukausi

    • Ei sitoutumisaikaa

    Sinä + 1 perheenjäsen2 käyttäjätiliä

    26.99 € /kuukausi

    Aloita ilmainen kokeilu