TensorRT‑LLM Optimization: Quantization, Kernel Fusion, and Throughput Engineering

Kieli
Englanti
Formaatti
Kategoria

Tietokirjallisuus

"TensorRT‑LLM Optimization: Quantization, Kernel Fusion, and Throughput Engineering"

Built for experienced ML systems engineers, inference specialists, and GPU performance practitioners, this book is a deep guide to making large language models run faster, cheaper, and more predictably with TensorRT‑LLM. Rather than offering generic acceleration advice, it develops a precise mental model of the TensorRT‑LLM stack so readers can understand where performance is won or lost: in quantization choices, graph compilation, fused kernels, KV-cache policy, and serving scheduler behavior.

The book covers the full optimization path from precision strategy and post-training quantization pipelines to engine build configuration, plugin-enabled fusion, attention specialization, and throughput-oriented serving design. Readers will learn how to choose among FP16, BF16, FP8, INT8, and INT4 in hardware-aware ways; validate deployable quantized artifacts; realize fused execution paths in compiled engines; engineer KV-cache behavior for long-context workloads; and benchmark and profile systems with enough rigor to attribute gains to the right layer.

Structured as an advanced, implementation-minded text, the book emphasizes cross-layer tradeoffs rather than isolated tricks. It assumes solid familiarity with transformer inference, CUDA-era GPU concepts, and production deployment concerns, and rewards readers who want durable optimization judgment instead of version-fragile recipes."

© 2026 NobleTrex Press (E-kirja): 6610001219079

Julkaisupäivä

E-kirja: 8. 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
    Cover for TensorRT‑LLM Optimization: Quantization, Kernel Fusion, and Throughput Engineering

    Saattaisit pitää myös näistä

    Valitse tilausmalli

    • Nauti yli miljoonasta tarinasta, henkilökohtaisista suosituksista, viikottaisista uutuuksista sekä turvallisesta lastentilasta. Ei sitoutumisaikaa. 

    Suosituin

    Premium

    Kuuntele ja lue usein

    19.99 € /kk

    • 1 käyttäjätili

    • 100 tuntia/kk

    • Ei sitoutumisaikaa

    Lunasta tarjous

    Standard

    Kuuntele ja lue säännöllisesti

    16.99 € /kk

    • 1 käyttäjätili

    • 50 tuntia/kk

    • Ei sitoutumisaikaa

    Lunasta tarjous

    Unlimited

    Kuuntele ja lue rajattomasti

    29.99 € /kk

    • 1 käyttäjätili

    • Kuuntele ja lue rajattomasti

    • Ei sitoutumisaikaa

    Aloita ilmainen kokeilu

    Family

    Jaa tarinat koko perheelle

    Alkaen 26.99 € /kuukausi

    • 2-6 käyttäjätiliä

    • 100 tuntia/kk jokaiselle käyttäjälle

    • Ei sitoutumisaikaa

    Sinä + 1 perheenjäsen

    2 käyttäjätiliä

    26.99 € /kk

    Aloita ilmainen kokeilu

    Flex

    Kuuntele ja lue harvemmin - säästä käyttämättömät tunnit

    9.99 € /kk

    • 1 käyttäjätili

    • 20 tuntia/kk

    • Säästä käyttämättömät tunnit, max 20h

    • Ei sitoutumisaikaa

    Aloita ilmainen kokeilu