Helion 1.0新特性全解析PyTorch Conference Europe发布亮点回顾【免费下载链接】helionA Python-embedded DSL that makes it easy to write fast, scalable ML kernels with minimal boilerplate.项目地址: https://gitcode.com/gh_mirrors/hel/helionHelion 1.0是一个Python嵌入式DSL旨在帮助开发者轻松编写快速、可扩展的机器学习内核同时最大限度地减少样板代码。在2026年PyTorch Conference Europe上Helion 1.0正式发布带来了诸多令人期待的新特性为机器学习内核开发带来了全新的体验。全新后端支持CUTE与TileIRHelion 1.0引入了对CUTE和TileIR后端的支持为开发者提供了更多的选择。CUTE后端基于PyTorch的CUTE库能够充分利用GPU的计算能力实现高效的内核计算。而TileIR后端则是Triton的TileIR驱动通过设置ENABLE_TILE1和HELION_BACKENDtileir环境变量即可启用。在TileIR支持的硬件上自动调谐器会自动搜索num_ctas和occupancy值优化搜索空间提高自动调谐效率。相关配置可参考TileIR Backend Guide。增强的自动调谐器智能优化内核性能Helion 1.0的自动调谐器得到了显著增强能够更智能地优化内核性能。自动调谐器支持多种搜索策略如LFBOTreeSearch、LLMGuidedSearch等。其中LFBOTreeSearch是默认的自动调谐器它结合了局部搜索和贝叶斯优化的优点能够快速找到最优的内核配置。LLMGuidedSearch则利用大型语言模型来提出初始配置进一步提高搜索效率。通过设置HELION_AUTOTUNER环境变量可以选择不同的自动调谐器实现。详细信息可查阅autotuner模块文档。自动调谐器还引入了新的启发式算法如CuteFlashAttentionHeuristic和CuteTcgen05ClusterM2Heuristic等这些算法能够根据不同的内核类型和硬件特性提供更精准的调谐建议。此外自动调谐器还支持预编译模式通过设置autotune_precompile参数可以选择不同的预编译模式提高并行性和调谐速度。简化的内核开发流程减少样板代码Helion 1.0致力于简化内核开发流程减少样板代码。通过使用helion.kernel装饰器开发者可以轻松定义内核函数而无需编写复杂的设备代码。例如在矩阵乘法示例中开发者只需关注核心的计算逻辑自动调谐器会自动确定最佳的分块大小和线程配置。相关示例可参考examples/matmul.py。此外Helion 1.0还提供了丰富的内置操作和函数如tile()函数用于创建并行循环matmul()函数用于矩阵乘法等。这些函数经过优化能够充分利用底层硬件的性能。同时Helion 1.0还支持自动微分开发者可以使用helion.experimental.autodiff模块轻松实现内核的自动微分。更好的性能和可移植性Helion 1.0在性能和可移植性方面也有了很大的提升。通过优化的代码生成和自动调谐Helion 1.0能够在不同的硬件平台上实现高效的内核计算。例如在NVIDIA H100上使用Helion的自动调谐器对内核进行调谐后性能得到了显著提升。相关的预调谐内核可参考pretuned_kernels/目录。此外Helion 1.0还支持多种数据类型如FP8、BF16等能够满足不同精度要求的应用场景。同时Helion 1.0还提供了对分布式计算的支持开发者可以使用examples/distributed/目录下的示例代码实现分布式环境下的内核计算。总结Helion 1.0在PyTorch Conference Europe的发布为机器学习内核开发带来了诸多新特性。全新的后端支持、增强的自动调谐器、简化的开发流程以及更好的性能和可移植性使得Helion 1.0成为开发者编写高效机器学习内核的理想选择。如果你还没有尝试过Helion不妨通过以下命令克隆仓库开始你的高效内核开发之旅git clone https://gitcode.com/gh_mirrors/hel/helion相信随着Helion的不断发展它将在机器学习领域发挥越来越重要的作用。【免费下载链接】helionA Python-embedded DSL that makes it easy to write fast, scalable ML kernels with minimal boilerplate.项目地址: https://gitcode.com/gh_mirrors/hel/helion创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考