david/flash-attention

Автор	SHA1 Съобщение	Дата
Tri Dao	f1a73d0740 Run isort and black on python files	преди 1 година
Xuechen Li	bb4cded17b support when num_heads is not divisible by world_size; resolves #459 (#461)	преди 1 година
Tri Dao	93383bd55b [TP] Implement TensorParallel without sequence parallel	преди 1 година
Tri Dao	c6ecd40a59 Tweak CrossEntropyLoss to take process_group in init	преди 2 години
Tri Dao	b4018a5028 Implement Tensor Parallel for GPT model	преди 2 години
Tri Dao	226a1b721d Implement TensorParallel for FusedDense and FusedDenseGeluDense	преди 2 години