统一环境基线
先完成 ROCm、PyTorch 与 uv 环境配置，为后续部署、微调和算子实践建立统一前置条件。
hello-rocm面向 AMD GPU 的 ROCm 教程与实践案例
从环境安装、模型部署、模型微调到算子优化，系统整理 AMD ROCm 在大模型场景下的学习路径。
Skip to content
hello-rocm Skill
把本项目一键交给你的 AI 助手
复制下面这句话，粘贴给支持 Skill / Rules / Agent 配置的工具，让它自动判断如何加载 src/hello-rocm-skill。
适合询问 GPU 架构、ROCm 快速安装、vLLM / Ollama / llama.cpp 部署、常见报错排查与学习路径。
推荐学习路径
- 先阅读 基础环境，完成 ROCm、PyTorch 与 Python 工具链配置。
- 再进入 大模型部署，从 LM Studio 或 vLLM 等推理部署流程开始验证环境。
- 环境稳定后继续阅读 大模型微调，了解 ROCm 上的 LoRA 微调流程。
- 如果希望深入底层性能与扩展能力，可以继续学习 算子优化。
- 需要完整项目样例时，查看 AMD 实践案例。
内容目录
| 模块 | 内容 |
|---|---|
| 基础环境 | ROCm 基础环境安装、配置、校验与 GPU 架构对照 |
| 大模型部署 | Qwen3、Gemma4 等模型的多框架本地部署 |
| 大模型微调 | ROCm 环境下的大模型微调记录 |
| 算子优化 | AMD AI 硬件、ROCm 软件栈、HIP 算子与 PyTorch 自定义算子 |
| 参考资料 | ROCm 与 AMD AI 生态相关资料 |
| AMD 实践案例 | 面向 AMD 平台的应用案例与社区项目 |
适合读者
- 手头有 AMD GPU，希望在本地运行或微调大模型的学习者。
- 想要系统了解 ROCm 工作流，但缺少完整路径的开发者。
- 希望从推理部署进一步深入到算子开发和性能分析的实践者。