为自定义 Intel GPU 后端 Readme 文件添加中文版本

README.md

@@ -18,7 +18,7 @@
 
 - [飞桨自定义接入硬件后端(昇腾NPU)](backends/npu/README_cn.md)
 - [飞桨自定义接入硬件后端(寒武纪MLU)](backends/mlu/README_cn.md)
-- [飞桨自定义接入硬件后端(英特尔GPU)](backends/intel_gpu/README.md)
+- [飞桨自定义接入硬件后端(英特尔GPU)](backends/intel_gpu/README_cn.md)
 - [飞桨自定义接入硬件后端(苹果MPS)](backends/mps/README.md)
 - [飞桨自定义接入硬件后端(壁仞GPU)](backends/biren_gpu/README_cn.md)
 - [飞桨自定义接入硬件后端(燧原GCU)](backends/gcu/README_cn.md)

backends/intel_gpu/README.md

@@ -1,8 +1,10 @@
 # PaddlePaddle Custom Device Implementaion for Custom Intel GPU
 
+English | [简体中文](./README_cn.md)
+
 Please refer to the following steps to compile, install and verify the custom device implementaion for Custom Intel GPU.
 
-## Activate oneapi env vars
+## Activate Intel oneAPI env vars
 
 ```bash
 source load.sh

backends/intel_gpu/README_cn.md

@@ -0,0 +1,53 @@
+# 飞桨自定义接入硬件后端（Intel GPU）
+
+简体中文 | [English](./README.md)
+
+请参考以下步骤进行硬件后端（Intel GPU）的编译安装与验证
+
+## 激活 Intel oneAPI 环境变量
+
+```bash
+source load.sh
+```
+
+## 获取源码
+
+```bash
+# 克隆代码
+git clone --recursive https://github.com/PaddlePaddle/PaddleCustomDevice
+cd PaddleCustomDevice
+
+# 请执行以下命令，以保证checkout最新的Paddle源码
+git submodule sync
+git submodule update --remote --init --recursive
+```
+
+## 编译安装
+
+```bash
+# 进入 Intel GPU Backend 目录
+cd backends/intel_gpu
+
+# 编译前，请确保已安装 Paddle，您可以运行以下命令
+pip install paddlepaddle==0.0.0 -f https://www.paddlepaddle.org.cn/whl/linux/cpu-mkl/develop.html
+
+# 创建编译目录并编译
+mkdir build && cd build
+
+cmake ..
+make -j $(nproc)
+
+# 编译产出在dist路径下，使用pip安装
+pip install dist/paddle_custom_intel_gpu*.whl
+```
+
+## 验证
+
+```bash
+# 检查插件状态
+python -c "import paddle; print('intel_gpu' in paddle.device.get_all_custom_device_type())"
+
+# 预期输出
+True
+
+```

backends/intel_hpu/README_cn.md

@@ -40,12 +40,12 @@ pip install dist/paddle_habana_hpu*.whl
 ```bash
 # 列出可用硬件后端
 python -c "import paddle; print(paddle.device.get_all_custom_device_type())"
-# 期待输出以下结果
+# 预期输出以下结果
 ['intel_hpu']
 
 # 运行简单模型
 python ../tests/test_MNIST_model.py
-# 期待输出以下类似结果
+# 预期输出以下类似结果
 ... ...
 Epoch 0 step 0, Loss = [2.2956038], Accuracy = 0.15625
 Epoch 0 step 100, Loss = [2.1552896], Accuracy = 0.3125