🚀 Nano-GPU F-1 (Finisha Series)
Bienvenue dans le futur de l'accélération logicielle ! Le Nano-GPU F-1 est un "Virtual Hardware Kernel" conçu pour transformer la puissance brute de votre CPU en une unité de calcul vectorisée optimisée pour les Small Language Models (SLM). Développé par Finisha (Clémence), ce projet introduit le concept de "Hardware Cloning" par kernel natif.
🧠 C'est quoi le GPU-NANO F-1 ?
Le F-1 n'est pas une simple bibliothèque de calcul. C'est un Kernel d'accélération original écrit en C++ de bas niveau qui utilise les instructions AVX2 & FMA de votre processeur.
- ⚡ Vitesse : Accélère les calculs matriciels du CPU par un facteur 2x à 4x.
- ⚡ Performance : Capable de traiter des millions de paramètres en moins de 2 secondes.
- ⚡ Légèreté : Conçu spécifiquement pour les architectures Nano et les SLM.
🛠️ Installation & Activation
Pour "allumer" votre GPU-NANO F-1, suivez ces étapes simples dans votre terminal ou votre notebook Google Colab.
Cloner le matériel !git clone https://huggingface.co/Finisha-F-scratch/Nano-GPU-F-1 %cd Nano-GPU-F-1
Installer les pilotes Python !pip install -r requirements.txt
Compiler le Kernel (Lancement du Hardware) Cette étape transforme le code source en puissance de calcul réelle : !bash compile.sh
💻 Utilisation (Code Source)
Voici comment appeler la puissance du F-1 dans vos projets de Deep Learning :
from gpu_nano_f1 import GPUNanoF1
import numpy as np
# Initialisation du GPU Virtuel
gpu = GPUNanoF1()
# Préparation de deux matrices (ex: Poids d'un neurone et Input)
poids = np.random.rand(1024, 1024).astype(np.float32)
inputs = np.random.rand(1024, 1024).astype(np.float32)
# Calcul ultra-rapide via le Kernel F-1
resultat = gpu.compute(poids, inputs)
print("Calcul terminé avec succès sur Nano-GPU F-1 !")
📊 Spécifications Techniques
- Série : Finisha-F (First Generation)
- Architecture : SIMD Vectorized Kernel (AVX2/FMA)
- Langage Source : C++11 / Python Bridge
- Optimisation : Parallélisme multi-cœurs intensif
📜 Licence & Crédits
Développé avec passion par Clémence (Finisha). Sous licence : finisha-gpu-termes.
site officiel : https://finisha-cpu-spark.lovable.app/