TensorBoard是用于机器学习可视化的工具，支持训练指标监控、模型调试、实验对比及性能分析。适用于PyTorch和TensorFlow框架，帮助开发者直观理解模型行为并优化训练过程。
针对AReaL分布式训练（FSDP2/TP等）的调试指南，涵盖死锁、结果错误、OOM及通信异常。提供最小复现策略、环境配置、堆栈分析及具体排查步骤。
提供Apache Spark作业的性能优化方案，涵盖分区策略、内存管理、Shuffle优化及数据倾斜处理。用于调试慢任务、调整Executor配置及扩展数据处理流水线。
用于分析和调优多GPU训练中的LengthPoolSortDataset，解决跨rank长度同步瓶颈，提升训练效率。
用于修复实验工程故障，如NaN梯度、GPU显存溢出、数据加载瓶颈及不可复现等问题。专注于代码与配置层面的调试，确保实验环境稳定，为后续科学分析提供有效基础。
- «
- 1
- »
