This is a viewer only at the moment see the article on how this works.
To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk
This is a preview from the server running through my markdig pipeline
Wednesday, 12 November 2025
ATENCIÓN: Estos son los proyectos de mensajes que se han "espaciado".
Es probable que gran parte de lo que está a continuación no funcione; Yo genera estos como cómo para MÍ y luego hacer todos los pasos y hacer que la aplicación de muestra funcione...¡Has sido astuto y los has visto!Probablemente estarán listos a mediados de diciembre.
## Introducción
¡Bienvenidos a la Parte 2Parte 1
, expusimos la visión de construir un asistente de escritura que utilice su blog como base de conocimiento - como cómo los abogados utilizan LLMs entrenados en jurisprudencia para redactar documentos.
**Ahora es el momento de ensuciarnos las manos con la base: asegurarse de que su GPU esté lista para cargas de trabajo de IA.**NOTA: Esto es parte de mis experimentos con IA (redacción asistida) + mi propia edición.
La misma voz, el mismo pragmatismo; sólo los dedos más rápidos.Acerca de mi hardware: Estoy usando un NVIDIA RTX A4000 (16GB VRAM), AMD Ryzen 9 9950X, y 96GB DDR5 RAM.¡Pero no necesitas esto!Como se cubre en la Parte 1, puede utilizar cualquier GPU NVIDIA con 8GB+ VRAM, o incluso ejecutar sólo CPU (lento pero funcional).
Esta parte puede parecer básica si ya estás familiarizado con
graph LR
A[AI Workload] --> B{Type?}
B -->|Matrix Operations| C[GPU: 100x+ faster]
B -->|Sequential Logic| D[CPU: Better]
C --> E[Embedding Generation]
C --> F[LLM Inference]
C --> G[Vector Search]
D --> H[Application Logic]
D --> I[File I/O]
class C gpu
class E,F,G aiTasks
classDef gpu stroke:#333,stroke-width:4px
classDef aiTasks stroke:#333
, pero confía en mí - He perdido innumerables horas depurando errores misteriosos que se remontan a los desajustes de versiones, variables de entorno faltantes, o incorrecto:
**- Las GPUs tienen miles de núcleos contra docenas de CPUs.**Operaciones Matrix
- La IA es en su mayoría matemáticas de matriz, que GPUs sobresalen enAncho de banda de memoria
- Las GPUs mueven los datos mucho más rápidoHardware especializado
Los núcleos tensores aceleran las operaciones específicas de IA
Ejemplo del mundo realGenerando incrustaciones para un post de blog:
(24GB): Más rápido, ~0.2s por puesto
(12GB): ~0,5s por puesto
6144 Núcleos CUDA
RTX 4090 24GB 13B-30B Overkill para este proyectoRTX 4070 Ti 12GB 7B-13B Excelente elección
RTX 3060 12GB 7B Apto para el presupuestoRTX 4060 Ti 16GB 7B-13B Gran valor
A4000 (mina) 16GB 7B-13B Estación de trabajo GPU:
: Las NPUs no soportan CUDA, que este tutorial utiliza:
: Todavía madurando para LLMsSi tiene una CPU equipada con NPUUtilice el modo sólo CPU por ahora (todo funciona, sólo más lento)
ONNX Runtime DirectML
# PowerShell
wmic path win32_VideoController get name
actualizaciones
Name
NVIDIA RTX A4000
Las partes futuras notarán cuando el apoyo de la NPU mejore
NVIDIA CUDA
graph TB
A[Your C# Application] --> B[ONNX Runtime / LLamaSharp]
B --> C[CUDA Toolkit]
C --> D[cuDNN Libraries]
D --> E[NVIDIA Driver]
E --> F[GPU Hardware]
G[TensorRT] -.Optional.-> D
class A,F endpoints
class C,D,E install
classDef endpoints stroke:#333,stroke-width:4px
classDef install stroke:#333,stroke-width:2px
subgraph "What We'll Install"
C
D
E
end
porque es maduro y bien apoyado en .NET, pero los conceptos se traducirán a NPUs una vez que el ecosistema alcance!:
cuDNN
graph LR
A[1. NVIDIA Driver] --> B[2. CUDA Toolkit]
B --> C[3. cuDNN]
C --> D[4. Verify Install]
D --> E[5. Test from C#]
class A,B,C,D,E steps
classDef steps stroke:#333,stroke-width:2px
nvidia-smi
Su aplicación
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 546.33 Driver Version: 546.33 CUDA Version: 12.3 |
|-------------------------------+----------------------+----------------------+
| GPU Name TCC/WDDM | Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 NVIDIA RTX A4000 WDDM | 00000000:01:00.0 Off | Off |
| 41% 32C P8 10W / 140W | 345MiB / 16376MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
- Nuestro código C#:
Driver VersionHoja de ruta de instalaciónCUDA VersionAquí está el orden que vamos a instalar las cosas (¡el orden importa!):Memory-UsagePaso 1: Conductor NVIDIAAbra PowerShell:nvidia-smiDebería ver la salida como:
Información clave: Debe ser 545.xx o más reciente
: Esta es la versión MAX CUDA soportada, no lo que está instalado
RTX A4000
Sistema operativo:nvidia-smi
(o su versión)
Controlador de estudio(más estable que Game Ready)Instalar y reiniciarVerificar de nuevo con
Archivo de herramientas CUDA
Installation Type: Custom (Advanced)
Select Components:
✅ CUDA Toolkit
✅ CUDA Documentation
✅ CUDA Samples
✅ CUDA Visual Studio Integration
❌ GeForce Experience (not needed)
❌ NVIDIA Driver (already installed)
SeleccionarInstrumental CUDA 12.1
Elija:
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
Windows → x86_64 → 11 → exe (local)
Opciones de instalación
Ejecute el instalador.:
$env:CUDA_PATH
# Should show: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1
$env:PATH -split ';' | Select-String CUDA
# Should show CUDA bin and libnvvp paths
Cuando se le solicite::
¿ Por qué es una costumbre?: No queremos rebajar nuestro controlador o instalar software de juegos.:
This PCLa ruta predeterminada está bien:Pero tenga en cuenta esto - vamos a necesitarlo para las variables de entorno!Establecer variables de entornoEl instalador generalmente establece estos, pero verificar:
CUDA_PATH = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1CUDA_PATH_V12_1 = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1Check in PowerShellPathSi falta, añadir manualmente
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp
AbrirVariables ambientales
# Check CUDA compiler
nvcc --version
# Should output:
# nvcc: NVIDIA (R) Cuda compiler driver
# Copyright (c) 2005-2023 NVIDIA Corporation
# Built on Tue_Feb__7_19:32:13_Pacific_Standard_Time_2023
# Cuda compilation tools, release 12.1, V12.1.66
# Check path resolves
where.exe nvcc
# Should show: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\nvcc.exe
Bajo
, verificar/agregar:: InVariable, asegúrese de que existen:
Reinicie su terminalpara que los cambios surtan efectoVerificar la instalación de CUDA**Paso 3: CuDNN (Biblioteca de la Red Neural Profunda de CUDA)**cuDNN proporciona implementaciones optimizadas de operaciones de aprendizaje profundo.
Ir a
Archivo cuDNNNecesitarás una cuenta NVIDIA Developer (gratis)
cudnn-windows-x86_64-8.9.7.29_cuda12-archive\
bin\
cudnn64_8.dll
cudnn_adv_infer64_8.dll
cudnn_adv_train64_8.dll
... (more DLLs)
include\
cudnn.h
... (header files)
lib\
x64\
cudnn.lib
... (lib files)
Buscar::
# Assuming you extracted to Downloads and CUDA is in default location
# Run PowerShell as Administrator
$cudnnPath = "$env:USERPROFILE\Downloads\cudnn-windows-x86_64-8.9.7.29_cuda12-archive"
$cudaPath = "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1"
# Copy DLLs
Copy-Item "$cudnnPath\bin\*.dll" -Destination "$cudaPath\bin\"
# Copy headers
Copy-Item "$cudnnPath\include\*.h" -Destination "$cudaPath\include\"
# Copy libs
Copy-Item "$cudnnPath\lib\x64\*.lib" -Destination "$cudaPath\lib\x64\"
Descargar cuDNN v8.9,7 (5 de diciembre de 2023), para CUDA 12.x:
bin\Instalador local para Windows (Zip)C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\include\Extraer e instalar cuDNNC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include\lib\x64\Extraer el ZIPC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64\# Check DLLs exist
Test-Path "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\cudnn64_8.dll"
# Should return: True
# List all cuDNN DLLs
Get-ChildItem "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\cudnn*.dll"
O hacerlo manualmente
nvidia-smi
a
nvcc --version
a
# All these should return paths
$env:CUDA_PATH
$env:CUDA_PATH_V12_1
# Check PATH includes CUDA bin
$env:PATH -split ';' | Select-String CUDA
Verificar la instalación de cuDNN
Paso 4: Verificación completa:
cd "C:\ProgramData\NVIDIA Corporation\CUDA Samples\v12.1"
Asegurémonos de que todo funcione juntos.:
cd "1_Utilities\deviceQuery"
Comprobación de hardwareDebería mostrar su GPU sin errores.
# If you have VS 2022
"C:\Program Files\Microsoft Visual Studio\2022\Community\MSBuild\Current\Bin\MSBuild.exe" deviceQuery_vs2022.vcxproj /p:Configuration=Release /p:Platform=x64
Comprobación CUDA:
.\x64\Release\deviceQuery.exe
Debería mostrar CUDA 12.1 (o cualquier versión que haya instalado).
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "NVIDIA RTX A4000"
CUDA Driver Version / Runtime Version 12.3 / 12.1
CUDA Capability Major/Minor version number: 8.6
Total amount of global memory: 16376 MBytes (17174683648 bytes)
(048) Multiprocessors, (128) CUDA Cores/MP: 6144 CUDA Cores
GPU Max Clock rate: 1560 MHz (1.56 GHz)
Memory Clock rate: 7001 Mhz
Memory Bus Width: 256-bit
L2 Cache Size: 4194304 bytes
...
Result = PASS
Comprobación de las variables del sistema: Result = PASS
Prueba de muestras CUDA (opcional pero recomendada)
Compilamos y ejecutamos uno.
mkdir CudaTest
cd CudaTest
dotnet new console -n CudaTest
cd CudaTest
Compilarlo(requiere Visual Studio):
dotnet add package Microsoft.ML.OnnxRuntime.Gpu # Latest version
Ejecutalo.
Microsoft.ML.OnnxRuntimeDebería ver la salida como:Microsoft.ML.OnnxRuntime.GpuLa línea de clavesPaso 5: Pruebas desde C#Program.cs:
using Microsoft.ML.OnnxRuntime;
using System;
using System.Linq;
namespace CudaTest
{
class Program
{
static void Main(string[] args)
{
Console.WriteLine("=== CUDA Test from C# ===\n");
// Test 1: Can we create a CUDA execution provider?
Console.WriteLine("Test 1: CUDA Execution Provider");
try
{
var cudaProviderOptions = new OrtCUDAProviderOptions();
var sessionOptions = new SessionOptions();
sessionOptions.AppendExecutionProvider_CUDA(cudaProviderOptions);
Console.WriteLine("✅ CUDA execution provider created successfully");
Console.WriteLine($" Device ID: {cudaProviderOptions.DeviceId}");
}
catch (Exception ex)
{
Console.WriteLine($"❌ Failed to create CUDA provider: {ex.Message}");
return;
}
// Test 2: Check available providers
Console.WriteLine("\nTest 2: Available Execution Providers");
var providers = OrtEnv.Instance().GetAvailableProviders();
foreach (var provider in providers)
{
Console.WriteLine($" - {provider}");
}
if (providers.Contains("CUDAExecutionProvider"))
{
Console.WriteLine("✅ CUDA provider is available");
}
else
{
Console.WriteLine("❌ CUDA provider NOT available");
}
// Test 3: Get CUDA device count and info
Console.WriteLine("\nTest 3: CUDA Device Information");
try
{
// ONNX Runtime doesn't expose deviceQuery directly,
// but we can test by trying to create a session
var opts = new SessionOptions();
opts.AppendExecutionProvider_CUDA(0); // Device 0
Console.WriteLine("✅ Successfully configured for CUDA device 0");
Console.WriteLine(" (Full device info requires native CUDA calls)");
}
catch (Exception ex)
{
Console.WriteLine($"❌ CUDA device configuration failed: {ex.Message}");
}
Console.WriteLine("\n=== Test Complete ===");
}
}
}
Ahora la parte divertida - vamos a utilizar realmente CUDA de C#!:
Crear proyecto de pruebaAñadir tiempo de ejecución de ONNX con CUDA
DeviceIdONNX Runtime¿Por qué este paquete?- Sólo CPU
CrearDesglose por código
dotnet run
Puede establecer límites de memoria, nivel de optimización, etc.:
=== CUDA Test from C# ===
Test 1: CUDA Execution Provider
✅ CUDA execution provider created successfully
Device ID: 0
Test 2: Available Execution Providers
- CUDAExecutionProvider
- CPUExecutionProvider
✅ CUDA provider is available
Test 3: CUDA Device Information
✅ Successfully configured for CUDA device 0
(Full device info requires native CUDA calls)
=== Test Complete ===
Si esto tiene éxito, CUDA está trabajandoSi falla, algo en la pila se rompe
OrtEnv.Instance().ObtenerDisponibleProviders():
# Make sure CUDA bin is in PATH
$env:PATH += ";C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin"
# Verify cudnn DLL exists
Test-Path "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\cudnn64_8.dll"
# Try running again
dotnet run
Debe incluir "CUDAExecutionProvider" si todo está instalado correctamenteTambién muestra "CPUExecutionProvider" como reserva
Ejecutar la prueba:
dotnet remove package Microsoft.ML.OnnxRuntime
dotnet add package Microsoft.ML.OnnxRuntime.Gpu --version 1.16.3
Solución de problemas Errores comunesError: "DllNotFoundException: No se puede cargar DLL 'onnxruntime'"
Causa: ONNX Runtime no puede encontrar DLLs de CUDA.
Error: "CUDAExecutionProvider no se encontró"
: Usar el paquete de tiempo de ejecución ONNX incorrecto (sólo CPU).
# Download sample model
Invoke-WebRequest -Uri "https://github.com/onnx/models/raw/main/vision/classification/mnist/model/mnist-8.onnx" -OutFile "mnist.onnx"
Error: "Código de error de CUDA: 35 (la versión del controlador de CUDA es insuficiente)"Program.cs:
using Microsoft.ML.OnnxRuntime;
using Microsoft.ML.OnnxRuntime.Tensors;
using System;
using System.Diagnostics;
using System.Linq;
namespace CudaTest
{
class Program
{
static void Main(string[] args)
{
Console.WriteLine("=== GPU vs CPU Inference Test ===\n");
// Create dummy input (28x28 image flattened to 784 floats)
var inputData = Enumerable.Range(0, 784).Select(i => (float)i / 784).ToArray();
var tensor = new DenseTensor<float>(inputData, new[] { 1, 1, 28, 28 });
var inputs = new List<NamedOnnxValue>
{
NamedOnnxValue.CreateFromTensor("Input3", tensor)
};
// Test 1: CPU Inference
Console.WriteLine("Test 1: CPU Inference");
var cpuTime = TestInference(inputs, useCuda: false, iterations: 100);
Console.WriteLine($" Average time: {cpuTime:F2}ms\n");
// Test 2: GPU Inference
Console.WriteLine("Test 2: GPU Inference");
var gpuTime = TestInference(inputs, useCuda: true, iterations: 100);
Console.WriteLine($" Average time: {gpuTime:F2}ms\n");
// Compare
Console.WriteLine("Comparison:");
Console.WriteLine($" CPU: {cpuTime:F2}ms");
Console.WriteLine($" GPU: {gpuTime:F2}ms");
Console.WriteLine($" Speedup: {cpuTime / gpuTime:F2}x faster on GPU");
}
static double TestInference(List<NamedOnnxValue> inputs, bool useCuda, int iterations)
{
var options = new SessionOptions();
if (useCuda)
{
options.AppendExecutionProvider_CUDA(0);
}
using var session = new InferenceSession("mnist.onnx", options);
// Warmup run (first run is always slower)
session.Run(inputs);
// Timed runs
var sw = Stopwatch.StartNew();
for (int i = 0; i < iterations; i++)
{
using var results = session.Run(inputs);
// Force evaluation
var output = results.First().AsEnumerable<float>().ToArray();
}
sw.Stop();
return sw.Elapsed.TotalMilliseconds / iterations;
}
}
}
Causa:
**: El conductor es demasiado viejo para CUDA 12.x.**Arreglar
[1, 1, 28, 28]Prueba avanzada: Inferencia real**Vamos a hacer algo real - ejecutar una pequeña red neuronal en GPU vs CPU y comparar las velocidades.**Descargar un modelo de prueba
Código de prueba de inferenciaActualizar
DenseTensor- La forma en que ONNX Runtime representa los arrays multidimensionales
dotnet run
= lote_tamaño=1, canales=1, altura=28, ancho=28NombreOnnxValue
=== GPU vs CPU Inference Test ===
Test 1: CPU Inference
Average time: 0.42ms
Test 2: GPU Inference
Average time: 0.15ms
Comparison:
CPU: 0.42ms
GPU: 0.15ms
Speedup: 2.80x faster on GPU
- Ata un tensor a un nombre de entrada
Metodología de cronometración ✅ Driver installed correctly ✅ CUDA Toolkit accessible ✅ cuDNN integrated ✅ ONNX Runtime finds CUDA ✅ C# can run GPU-accelerated inference
Producto previsto
sequenceDiagram
participant App as C# Application
participant CPU as CPU Memory
participant GPU as GPU Memory
participant Compute as GPU Cores
App->>CPU: Create input tensor
CPU->>GPU: Transfer input (PCIe)
Note over GPU: Slow! ~16GB/s
GPU->>Compute: Execute model
Note over Compute: Fast! TFLOPS
Compute->>GPU: Write output
GPU->>CPU: Transfer output (PCIe)
Note over GPU: Slow again!
CPU->>App: Return results
(sus números variarán)::
graph TD
A[Inference Request] --> B{Model Size}
B -->|< 100MB| C{Batch Size}
B -->|> 100MB| D[Use GPU]
C -->|Single Item| E[Use CPU]
C -->|Batch > 10| D
D --> F[10-100x Faster]
E --> G[Lower Latency for Single]
class D,E choice
classDef choice stroke:#333,stroke-width:2px
Transferencia de memoria cuello de botella:
Mantener datos sobre la GPU
CPU
nvidia-smi- Modelos pequeños, peticiones individuales, latencia críticanvccPara nuestro asistente de escritura de blog:
Proceso por lotes 100+ trozos → GPUInferencia de LLM- Modelo grande (7B params) → GPU
Búsqueda de vectores
Resumen
Hemos tenido éxito:
y
¡Nuestro entorno de desarrollo ya está listo para cargas de trabajo de IA!
# Check GPU
nvidia-smi
# Check CUDA
nvcc --version
where.exe nvcc
# Check cuDNN
Test-Path "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\cudnn64_8.dll"
# Check environment
$env:CUDA_PATH
$env:PATH -split ';' | Select-String CUDA
# Test from C#
dotnet run
, nos sumergiremos profundamente en incrustaciones y bases de datos de vectores:
|-------|-------|-----|
| nvidia-smi¿Qué son incrustaciones y cómo permiten la búsqueda semántica?
| nvccElegir entre Qdrant, pgvector y otras opciones
Generando incrustaciones localmente con ONNX Runtime
Almacenamiento y consulta de millones de vectores de manera eficienteMicrosoft.ML.OnnxRuntime.Gpu |
Construyendo nuestro primer prototipo de búsqueda semántica
Referencia de solución de problemas |--------------|---------------|--------------|-----------------| Comandos de diagnóstico rápido Cuestiones comunes
Parte 4: Construcción del oleoducto de ingestiónParte 5: El cliente de WindowsParte 6: Integración local de la LLM
© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.