Lab · WebGPU
Los 207 kernels, en vivo en tu GPU
Un kernel es el programa mínimo que corre en una GPU: una sola operación sobre números, y todo lo demás en IA es combinarlos. @huggingface/kernels expone 207. Toca cualquiera y velo ejecutarse en tu tarjeta: la curva de una activación, las matrices de una multiplicación, el efecto sobre una imagen.
Aritmética y trigonometría 33
Operaciones elemento a elemento: sumar, multiplicar, potencias, raíces, seno y coseno. La base para mezclar capas, ajustar brillo o contraste y deformar coordenadas. Ejemplo: subir el brillo de una foto es sumar una constante a cada píxel; un desvanecido, multiplicar por un número que baja.
Activaciones 28
Curvas no lineales — sigmoide, tanh, softmax, gelu. En una red deciden qué neurona “enciende”; sobre una imagen son curvas de tono y realce. Ejemplo: la sigmoide convierte cualquier número en una probabilidad entre 0 y 1 — la última capa de un clasificador.
Convolución y pooling 18
Deslizar un filtro sobre la imagen: nitidez, desenfoque, bordes, relieve. Y reducir resolución con pooling. Es el corazón de una red convolucional. Ejemplo: detectar bordes es una convolución 3×3; achicar la imagen a la mitad guardando lo importante, un pooling.
Álgebra (matmul/gemm) 12
Multiplicación de matrices: capas densas, proyecciones y transformaciones de color por matriz. Incluye las versiones cuantizadas que mueven un LLM. Ejemplo: cada capa densa de una red es una multiplicación de matrices; pasar una imagen a escala de grises, una matriz de 1×3.
Normalización 12
Reescalar las activaciones a un rango estable (media cero, varianza uno) para que una red profunda no explote ni se apague. Ejemplo: cada bloque de un transformer pasa por LayerNorm — un modelo tipo GPT lo hace cientos de veces por token.
Atención y transformer 13
Los bloques de un modelo de lenguaje: atención, atención con caché, rotary embeddings, mezcla de expertos. Con estos se arma la inferencia de un LLM a mano. Ejemplo: la atención decide, para cada palabra, cuánto mira a las demás — el mecanismo central de un modelo tipo GPT.
Cuantización y tipos 7
Comprimir pesos a int4/int8 y convertir tipos. MatMulNBits ejecuta un modelo cuantizado sin descomprimirlo en memoria. Ejemplo: MatMulNBits corre un modelo de 7B en 4 bits, que en 16 bits no entraría en la tarjeta.
Reducción y estadística 16
Colapsar un eje: media, máximo, suma, top-k. Sirve para pooling global, clasificación e histogramas. Ejemplo: ArgMax sobre la última capa devuelve la clase predicha; ReduceMean, el promedio de un mapa de activación.
Lógica y comparación 20
Máscaras y selección condicional. Con Greater y Where se hace croma, umbralizado y recortes por color. Ejemplo: quitar el fondo verde es comparar cada píxel y elegir con Where entre la foto y el fondo nuevo.
Forma y tensores 32
Reordenar sin calcular: recortar, transponer, concatenar, empaquetar, pixel-shuffle. La plomería que conecta una operación con la siguiente. Ejemplo: pasar una imagen de [alto, ancho, color] a [color, alto, ancho] para la red es un Transpose.
Redimensionado y muestreo 4
Escalar y deformar la rejilla de píxeles. Ejemplo: los upscalers de video usan Resize; Stable Diffusion usa GridSample para deformar mapas de atención sobre la imagen.
Señal (DFT/STFT) 5
Transformadas de Fourier y ventanas. Espectrogramas y procesamiento de audio en la GPU. Ejemplo: la DFT convierte un fragmento de audio en sus frecuencias — el primer paso de un reconocedor de voz.
Secuencia y control 6
Celdas recurrentes (RNN, LSTM, GRU) y control de flujo (Loop, Scan, If). Modelos que avanzan paso a paso. Ejemplo: un LSTM procesa una serie de tiempo recordando lo anterior; Loop repite un bloque N veces.
Otros 1
Operadores sueltos que no caen en una familia clara.