DeepSpeed Inference: Tensor Parallelism and Memory Efficiency for Large Models

Språk
Engelsk
Format
Kategori

Fakta og dokumentar

"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-bok): 6610001214845

Utgivelsesdato

E-bok: 5. mai 2026

Tagger

    Derfor vil du elske Storytel:

    • Over 900 000 lydbøker og e-bøker

    • Eksklusive nyheter hver uke

    • Lytt og les offline

    • Kids Mode (barnevennlig visning)

    • Avslutt når du vil

    Sommertilbud: Prøv GRATIS!

    Premium

    For deg som lytter og leser ofte.

    189 kr /måned

    • Lytt opptil 50 timer per måned

    • Over 900 000 bøker

    • Nye eksklusive bøker hver uke

    • Avslutt når du vil

    Prøv gratis

    Unlimited

    For deg som vil lytte og lese ubegrenset.

    219 kr /måned

    • Lytt så mye du vil

    • Over 900 000 bøker

    • Nye eksklusive bøker hver uke

    • Avslutt når du vil

    Benytt tilbud

    Family

    For deg som ønsker å dele historier med familien.

    Fra 289 kr /måned

    • Familiens førstevalg

    • Lytt så mye du vil

    • Over 900 000 bøker

    • Nye eksklusive bøker hver uke

    • Avslutt når du vil

    Du + 1 familiemedlem2 kontoer

    289 kr /måned

    Benytt tilbud

    Basic

    For deg som lytter og leser av og til.

    149 kr /måned

    • Lytt opp til 20 timer per måned

    • Over 900 000 bøker

    • Nye eksklusive bøker hver uke

    • Avslutt når du vil

    Benytt tilbud

    Prøv Storytel nå 📚

    Kos deg med ubegrenset tilgang til mer enn 900 000 titler.

    • Lytt og les så mye du vil
    • Eksklusive nyheter hver uke
    • Utforsk et stort bibliotek med fortellinger
    • Over 1500 serier på norsk
    • Ingen bindingstid, avslutt når du vil
    Benytt tilbud
    NO - Details page - Device banner - 894x1036
    Cover for DeepSpeed Inference: Tensor Parallelism and Memory Efficiency for Large Models