1.st-gcn环境搭建
2.ROCm-RV生态分析
3.CIKM 2020ST-GRAT: A Novel Spatio-temporal Graph Atention Network for Traffic Forecasting
4.AMD的ROCM平台是什么？
5.AMD 编译概述 & Fatbin 文件生成 & HIP Runtime API（启动 CUDA 核函数）

st-gcn环境搭建

       搭建ST-GCN环境的步骤如下：

       一、硬件与系统准备

       推荐使用基于Ubuntu .的系统，可从浙大官网下载稳定版本的镜像。通过U盘启动制作Ubuntu系统盘，完成格式化后使用深度制作工具进行系统安装。在桌面计算机中使用磁盘管理工具创建Ubuntu分区，手机源码怎么一般GB空间足矣。通过BIOS设置将U盘设置为启动优先项，然后开始安装Ubuntu系统。

       二、安装Python3

       在Ubuntu系统中，将Python3设置为默认版本，使用pip进行包管理无需额外命令。在终端中通过快捷键或命令行操作完成Python3的安装。

       三、软件源配置

       使用国内服务器作为Ubuntu软件源，推荐使用阿里云提供的服务，无需额外配置。如果使用官方镜像，可能需要更新软件源以获取最新软件包。

       四、安装显卡驱动

       使用NVIDIA显卡的用户，需安装对应版本的驱动程序。通过三种方法之一：官方PPA源安装、下载并编译安装、添加官方PPA源后安装。

       五、安装CUDA和cuDNN

       检查NVIDIA显卡型号和系统内核版本，确保CUDA版本与驱动匹配。下载CUDA和cuDNN，按步骤安装，确保安装成功并验证。

       六、安装Python3的TextWarrior源码pip虚拟环境

       在Python3环境下安装pip，所有pip命令都将在Python3环境中执行。创建虚拟环境管理目录，将虚拟环境添加到环境变量中，并创建Python3虚拟环境。

       七、安装torch和torchvision

       使用国内源安装torch和torchvision，可永久修改pip安装源。查看Python版本与对应torch版本的关系，确保兼容性。

       八、安装cmake

       使用cmake配置编译参数，安装cmake和cmake-gui，确保cmake操作顺利进行。

       九、安装opencv

       可以选择通过apt-get安装opencv-python或从源码构建。构建时注意解压、更新依赖、下载ippicv，确保opencv功能齐全。

       十、安装caffe

       从openpose提供的链接下载caffe源码，解压后修改Makefile配置参数，编译安装。

       十一、安装openpose

       在caffe目录下连接openpose，下载源码，配置编译参数，确保兼容性和接口接入，测试安装成功。

       十二、安装ffmpeg

       下载ffmpeg源码，安装依赖环境，配置并编译安装。superslide源码推荐使用smplayer作为视频播放软件。

       完成上述步骤后，环境搭建就已基本完成。评估官方模型，训练自己的模型，进行样本示例展示。安装视频播放软件，如smplayer，用于观看可视化效果。欢迎指出错误与建议，祝您搭建成功！

ROCm-RV生态分析

       ROCm（Radeon Open Compute）是一个开放源代码的软件平台，其核心功能在于支持AMD GPU的并行计算与加速计算任务。该平台提供了一系列工具和库，方便开发者利用AMD GPU性能进行高性能计算、深度学习和机器学习等任务。然而，ROCm的成熟度相对CUDA而言有所不足。ROCm主要针对Linux系统，而CUDA则广泛兼容包括Windows、Linux和macOS等操作系统平台。

       ROCm的底层结构基于Linux的admgpu Driver，而RV生态的基础则是Linux显卡驱动。此驱动包含部分闭源代码，且目前尚不完全清楚RV生态下的开源GPU已达到何种程度。在开始讨论RV硬件生态环境之前，我们先来看看AMD通过ROCm支持的GPU硬件设备。

       AMD的ROCm支持涵盖AMD Instinct、AMD Radeon PRO和AMD Radeon三个GPU系列。国内开发者主要接触到的是AMD Radeon PRO和AMD Radeon两个系列，分别面向专业工作站和消费市场。ROCm未来将淘汰的GPU型号，开发者在RV生态开发时可将其置于次要优先级。netanalyzer 源码

       接下来，我们探讨RV生态的移植平台分析。市面上的SG处理器基本满足桌面端与服务端需求，具备单路与双路实现能力。以XTX为例，其需要PCIe 4.0 X通道，SG能够满足这一需求，因此硬件环境符合要求。

       至于RV生态中对GPU的支持情况，RISC-V已全面支持旧款GCN架构显卡，并正在支持Navi架构GPU。当前Linux内核版本已更新至V6.9，对于Navi架构GPU的支持可进行验证。同时，老款GCN架构显卡在ROCm中被舍弃，需要特定版本支持特定GPU。

       综上所述，RV生态支持ROCm需同时考虑软硬件配合。当前硬件环境基本满足要求，但不如X或ARM平台丰富。对于软件开发者而言，在RV环境下运行ROCm，可能需关注以下几点。

       考虑到RV生态的建设任重道远，硬件和软件都需要大量开发才能实现多元化发展。

CIKM ST-GRAT: A Novel Spatio-temporal Graph Atention Network for Traffic Forecasting

       本文提出了一种新颖的时空图注意力网络(ST-GRAT)用于交通预测。此模型采用了Transformer结构并结合了先验路网的归纳偏置，同时引入了sentinel对self-attention进行信息筛选。值得注意的是，ST-GRAT没有公开源码，作者自行实现后发现性能与文章中所述存在差距。在交通预测领域，如STGODE、Abstractlist源码DGCRN、StemGNN、HGCN等已有相关研究，本文重点探讨了使用self-attention进行交通预测的技术路径。

       传统基于GCN的方法在计算路网关系时往往忽略了动态变化性和流量的方向性，GaAN虽然引入了动态计算空间关系的注意力机制，但未充分利用图结构信息，同时DCRNN等RNN模型在捕捉长距离时间依赖方面表现不佳。因此，ST-GRAT致力于解决这些局限性。

       ST-GRAT的核心创新在于引入了捕捉空间依赖的Spatial Attention模块。输入经过Embedding Layer增强时空表达能力后，编码器通过时空注意力提取关键特征，解码器则使用Masked Temporal Attention进行预测，确保未来预测的因果关系，同时通过Encoder-Decoder Attention获取历史信息。

       在Embedding Layer部分，为多变量预测任务设计了时间维度的positional embedding和带有空间结构信息的spatial embedding。LINE算法用于获取spatial embedding，作者还结合了positional embedding并进行映射以增强模型能力。代码实现中涉及了与Transformer不同的嵌入策略和网络架构细节。

       Spatial Attention模块采用多头注意力机制，通过计算所有节点间的注意力系数，并引入先验结构知识和sentinel信息进行消息传递。sentinel概念用于控制信息流向，确保模型在预测过程中既能保留原有信息，也能吸收其他节点的影响。代码实现中包含了相关系数的归一化处理和sentinel的计算方法。

       Temporal Attention模块与Spatial Attention相似，但去除了添加图结构先验和sentinel部分。实验结果显示，ST-GRAT在多个交通数据集（如METR-LA和PEMS-BAY）上取得了优秀的性能，在长短期预测任务中均优于或与GMAN持平。此外，ST-GRAT在不同时间段和速度变化较快的区间上也表现出色。

       通过消融实验验证了各部分对模型的有效性，ST-GRAT的计算效率优于RNN和其他注意力模型，与使用卷积的生成模型Graph WaveNet相比，性能稍有差距。整体而言，ST-GRAT在交通预测领域展现出了创新性和实用性。

AMD的ROCM平台是什么？

       AMD ROCm，这个名字背后隐藏着一个强大的开源GPU计算生态系统。它不仅仅是一个堆栈，而是一系列精心设计的组件，旨在为高性能计算（HPC）、人工智能（AI）和科学计算等领域提供卓越性能和跨平台的灵活性。由Open Source Software（OSS）驱动，ROCm包含驱动程序、开发工具和API，如OpenMP和OpenCL，以及集成的机器学习框架，如PyTorch和TensorFlow。核心组件包括驱动、编译器、运行时库和工具集，支持AMD GPU、APU和多架构处理器，目标是打造一个高性能且可移植的GPU计算平台，与NVIDIA的CUDA相媲美。

       ROCm项目的基石是AMD Radeon Open Computing，类似于CUDA，通过ROCm系列项目和HSA（异构系统架构）实现。AMD与众多伙伴合作，利用GCN（AMD GPU架构）等技术，构建了一个兼容且高效的runtime和架构API。与CUDA相比，ROCm利用HIP在多个平台上部署便携式应用，如A卡用HIP或OpenCL，而N卡则使用CUDA。此外，ROCm的软件栈中内置了rocFFT、rocBLAS、rocRAND和rocSPARSE等加速库，进一步提升计算效率。

       要使用ROCm，开发者可以借助标准Linux编译器（如GCC、ICC、CLANG），以C或C++编程，主要依赖hip_runtime.h，它包含了hip_runtime_api.h和hipLaunchKernelGGL的核心内容。尽管hip_runtime.h支持C++，但公开函数相对有限。特别地，AMD和NVIDIA的实现细节分别存储在amd_detail/**和nvidia_detail/**中，直接使用需谨慎。hipcc作为编译器驱动，取代CUDA的nvcc，而hipconfig则帮助查看配置信息。使用ROCm源码时，需设置特定的分支（如ROCM-5.6.x），并安装对应的驱动和预构建包，以下是关键步骤：

       1. 设置仓库分支（如ROCM-5.6.x）和环境变量ROCM_PATH（默认在/opt/rocm）。

       2. 克隆必要的GitHub仓库，如HIP、HIPCC和clr。

       3. 配置环境变量指向仓库目录，包括HIP、HSA、HIP_CLANG_PATH等。

       4. 构建HIPCC运行时，依赖HIP和ROCclr，可能需要指定特定平台选项。

       5. 对于HIPCLR，指定相关目录和安装选项，hip运行时默认安装在$PWD/install。

       从ROCM 5.6开始，clr库合并了ROCclr、HIPAMD和OpenCL，提供更为集成的体验。同时，AMDDeviceLibs和ROCm-CompilerSupport库的管理与构建细节需要遵循特定指南，CMake的使用和依赖设置也尤为重要。

       AMD的HSA架构使得开发者能直接利用GPU性能，HSA运行时API提供了错误处理、内存管理和高级调度等接口。AQL作为数据包标准，支持细粒度和粗粒度内存访问，程序员需深入理解HSA运行时手册以充分利用其功能。

       要编译HSA运行时，你需要ROCT-Thunk-Interface库，并可能需要加入特定用户组。ROCt库依赖于ROCk驱动，其入门指南提供了系统兼容性、内核和硬件支持信息。构建和安装ROCm包的过程包括使用cmake构建，然后进行安装和软件包打包。

       最后，ROCm生态系统的数学库如rocFFT、rocBLAS等，为高性能计算提供了强大的工具。这些库的详细信息和GitHub链接，为开发者提供了丰富的资源库，让性能优化触手可及。

       总之，AMD ROCm是一个强大的工具，为开发者提供了一站式GPU计算解决方案，无论是科研、AI还是游戏开发，都能从中受益。通过深入了解和利用这一平台，你可以解锁GPU计算的无限可能。

AMD 编译概述 & Fatbin 文件生成 & HIP Runtime API（启动 CUDA 核函数）

       AMD 平台的术语概览

       AMD GPU 计算生态基于 ROCm（Radeon Open Computing platform），ROCm 包括ROC 和 Radeon 等简称，ROC：Radeon 开放计算平台，Radeon 是 AMD GPU 产品的品牌名。ROCm 类似于 CUDA 于 NVIDIA GPU。ROCx 包含 ROCr - ROC Runtime，ROCk - ROC kernel driver, ROCt - ROC Thunk。

       HIP（Heterogeneous-Computing Interface for Portability）是一个旨在简化 CUDA 应用程序到便携式 C++ 代码转换的接口，支持 C 风格的 API 和 C++ 内核语言。

       HIP-Clang 是 AMDGPU 异构编译器，用于在 AMD 平台上编译 HIP 程序。

       HCC（Heterogeneous Compute Compiler）是面向异构设备的开源 C++ 编译器，基于 LLVM + CLANG，实现将并行编程程序转换为 AMD GCN ISA。

       在 ROCM v3.5 版本前，HCC 编译器被使用，之后引入了 HIP-Clang 编译器，HCC 编译器不再发展新特性，AMD 公司不再维护。

       “HIP化”工具，即 HIPify，能将 CUDA 代码转换为便携式 C++ 代码，自动执行大部分转换工作。

       ROCm 计算平台的编译流程包括使用 HIPify 工具转换 CUDA 源码到 HIP 源码，HIP 源码能够在 AMD 或 NVIDIA GPU 上运行。

       在 AMD ROCm 平台上，HIP 提供 HIP 运行时 API，实现与应用程序链接的对象库，包括流、事件和内存管理。在 NVIDIA CUDA 平台上，提供头文件，从 HIP 运行时 API 转换为 CUDA 运行时 API，提供内联函数以实现低开销。

       在 AMD ROCm 平台生成 Fat Binary 文件，使用 clang-offload-bundler 工具，将针对不同架构的多个 ELF 二进制文件合并成单个捆绑文件。

       clang-offload-bundler 工具在编译过程中对翻译单元进行多次编译，生成主机和设备代码对象，然后合并这些代码对象到单个捆绑文件中。

       HIP Runtime API 支持 CUDA <<<>>> 核函数语法，通过 hip-clang 编译选项选择 -fhip-new-launch-api，遇到 <<<>>> 时，调用一系列 API 来存储和处理核运行参数，最终通过 hipLaunchKernel API 运行核函数。

       在编译过程中，使用 hip-clang 时，会调用 API 来存储核运行参数，然后通过桩函数调用，再通过 hipLaunchKernel API 实现核函数的运行。

       API 包括用于初始化和注册函数的 API，如 __hipRegisterFatBinary 和 __hipRegisterFunction，保证 fatbin 文件只加载一次。