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

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

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
Lunasta tarjous
Cover for TensorRT‑LLM Optimization: Quantization, Kernel Fusion, and Throughput Engineering

Valitse tilausmalli

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

Suosituin

Flex

Kuuntele ja lue harvemmin - säästä käyttämättömät tunnit

9.99 € /kk

  • 1 käyttäjätili

  • 20 tuntia/kk

  • Säästä käyttämättömät tunnit, max 20h

  • Ei sitoutumisaikaa

Lunasta tarjous

Premium

Kuuntele ja lue usein

19.99 € /kk

  • 1 käyttäjätili

  • 100 tuntia/kk

  • Ei sitoutumisaikaa

Aloita ilmainen kokeilu

Standard

Kuuntele ja lue säännöllisesti

16.99 € /kk

  • 1 käyttäjätili

  • 50 tuntia/kk

  • Ei sitoutumisaikaa

Aloita ilmainen kokeilu

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