README.md

AMD YES! 🚀

オープンソース · コミュニティ主導 · AMD AIエコシステムをもっと身近に

    

  ROCm 7.10.0（2025年12月11日リリース）以降、ROCmはCUDAと同様にPython仮想環境にシームレスにインストールでき、LinuxとWindowsの両方を公式サポートしています。これはAMDにとってAI分野における大きな一歩です。学習者やLLM愛好家はもはやNVIDIAハードウェアに制限されることなく、AMD GPUが強力で実用的な選択肢となります。

  しかし、ハードウェアの敷居が下がったからといって、学習パスが自動的に明確になるわけではありません。すでに大規模モデルの基礎を持ち、AMD GPU上で実践したい学習者にとって、本当の課題はここから始まります：AMD GPU上でモデルをどうデプロイするか？その上でどうファインチューニングやトレーニングを行うか？ROCmのGPUプログラミング体系をどう理解し、CUDAからROCmへの移行をどう完了するか？最終的に、これらの能力をどう統合して実際に動くAIアプリケーションにするか？

  hello-rocmはまさにこのパスのために生まれました。本プロジェクトはAMD ROCmプラットフォーム上での大規模モデルの完全な使用チェーンを体系的にカバーし、最初のモデルを動かすところからAMD GPU上で実際のAIアプリケーションを構築するところまで、ファインチューニング・トレーニングからGPUプログラミングまでの各重要ステップを案内します——AMD GPUを単なるグラフィックカードではなく、AI開発の世界への真の出発点にします。

  このプロジェクトは主にチュートリアルであり、学生や将来の実務者がAMD ROCmを体系的に学べるようにするものです。どなたでもIssueの作成やプルリクエストの送信を歓迎します。プロジェクトを共に成長させ、維持していきましょう。

  学習パス: まず00-環境設定（ROCm + PyTorch + uv）を完了し、次にデプロイとファインチューニング、最後にオペレーター最適化とGPUプログラミングを探求します。環境が動作したら、LM StudioまたはvLLMから始めるのが良いでしょう。

hello-rocm Skill：AIアシスタントで本プロジェクトを使う

  Skills、Rules、Agent設定をサポートするAIコーディングツールを使っている場合は、内蔵の hello-rocm Skill を利用できます。このSkillは、リポジトリ構成、Reference索引、GPUアーキテクチャ表、デプロイ手順、トラブルシューティング一覧をもとに、適切なドキュメントと公式リンクへ案内します。

Use src/hello-rocm-skill in the current repository as the hello-rocm Skill. If your tool supports Skills, Rules, or Agent configuration, install or load it in the appropriate place, such as .claude/skills, .cursor/skills, or .agents/skills, then use that Skill to help me learn, deploy, and troubleshoot AMD ROCm.

  こんな質問ができます：私のAMD GPUはROCmに対応していますか？最速でローカルLLMを動かすにはどの記事を見ればいいですか？vLLM / Ollama / llama.cppをROCm上でどうインストールしますか？torch.cuda.is_available()がFalseを返す場合のデバッグ方法は？詳しくはhello-rocm Skillガイドを参照してください。

最新情報

• 2026年7月15日: ROCm 7.14.0 リリースノート — マイルストーンリリース：ROCm が TheRock モジュラービルド・リリースシステムへ正式に移行（軽量な Core SDK ＋ ユースケース別拡張 ＋ モジュラーインストール）。TheRock 移行ガイド を参照

• 2026年5月15日: ROCm 7.13.0 リリースノート

• 2026年3月11日: ROCm 7.12.0 リリースノート

• 2025年12月11日: ROCm 7.10.0 リリースノート

サポート対象モデル & チュートリアル

✨ 主要LLM: 環境設定 · マルチフレームワーク推論 · ファインチューニング ✨
統一ROCmセットアップ（Windows / Ubuntu）+ ROCm 7+ · モデル別チュートリアル（随時追加）
00 — 環境設定

Qwen3
• LM Studio • vLLM • Ollama • llama.cpp	• Qwen3-0.6B LoRA + SwanLab • Qwen3-8B LoRA (Notebook)
Qwen3.5
• LM Studio • vLLM • Ollama • llama.cpp	• Qwen3.5-4B LoRA + SwanLab • Qwen3.5-4B LoRA (Notebook)
Gemma4
• Gemma 4 モデル概要 • LM Studio • vLLM • Ollama • llama.cpp	• Gemma4 E4B LoRA ファインチューニング (TRL, Notebook)
MiniCPM5
• llama.cpp
MiniCPM-V 4.6
• llama.cpp • vLLM
MiniCPM-o 4.5
• MiniCPM-o 4.5 モデル紹介 • llama.cpp-omni デプロイ（音声+視覚+TTS） • Web Demo 全二重デプロイ
エンボディードAIポリシー（ACT / SmolVLA / Pi0 / Pi0.5）
• Every Embodied — ROCmエンボディードAIポリシー再現 • ACT ROCmトレーニングNotebook • SmolVLA ROCmトレーニングNotebook	• Pi0 ROCmトレーニングNotebook • Pi0厳密なエンドツーエンド診断Notebook • Pi0.5 EEF-deltaトレーニングNotebook

  ROCmとは何か？

ROCm（Radeon Open Compute）は、AMDのオープンGPUコンピューティングスタックであり、HPCおよび機械学習向けに設計されています。AMD GPU上で並列ワークロードを実行でき、AMDハードウェアにおける主要なCUDA代替パスです。

  オープンLLMはあらゆる場所で利用可能ですが、ほとんどのチュートリアルやツールはNVIDIA CUDAスタックを前提としています。AMDを選択する開発者は、エンドツーエンドのROCmネイティブな学習教材を欠いていることがよくあります。   ROCm 7.10.0（2025年12月11日）以降、AMDのTheRockプロジェクトにより、コンピュートランタイムがOSから分離され、同じROCmインターフェースがLinuxとWindowsの両方で動作するようになりました。また、ROCmはCUDAと同様にPython環境にインストールできるようになりました。ROCmはもはや「Linux専用の配管」ではなく、クロスプラットフォームなAIコンピュートプラットフォームです。hello-rocmは、より多くの人が実際にAMD GPUをトレーニングや推論に活用できるよう、実践的なガイドをまとめています。

  私たちは、AMD GPUと日々の開発者をつなぐ架け橋となることを目指しています——オープンで、包括的で、より広いAIの未来を志向して。

対象者

  以下のような方に、このプロジェクトは役立つかもしれません：

• AMD GPUを所有しており、ローカルでLLMを実行したい方
• AMD上で開発したいが、体系化されたROCmカリキュラムがない方
• コスト効率の良いデプロイと推論に関心がある方
• ROCmに興味があり、実践的に学びたい方

ロードマップと構成

  このリポジトリは、ROCmを用いたLLMワークフローの全体像に沿っています：統合ベースライン（00-Environment）、デプロイ、ファインチューニング、そしてインフラ関連のトピックです。

リポジトリ構成

hello-rocm/
├── docs/                   # VitePress ドキュメントソース
│   ├── zh/                 # 中文ドキュメント
│   │   ├── 00-environment/ # ROCmベースラインのインストールと設定
│   │   ├── 01-deploy/      # ROCm上でのLLMデプロイ
│   │   ├── 02-fine-tune/   # ROCm上でのLLMファインチューニング
│   │   ├── 03-infra/       # オペレーター最適化 & GPUプログラミング
│   │   ├── 04-references/  # 厳選されたROCmリファレンス
│   │   └── 05-amd-yes/     # コミュニティAMDプロジェクトの紹介
│   └── en/                 # English docs
├── src/                    # ソースコードとスクリプト
└── assets/                 # 共有アセット

00. 環境 — ROCmベースライン

🛠️ ROCm環境のインストールと設定
単一ベースライン · ROCm 7.12.0 · Windows / Ubuntu · uv + PyTorch
📖 ROCm環境入門

• GPUアーキテクチャとpipインデックス対応表 • Windows 11：ドライバ、セキュリティ前提条件、インストールフロー • Ubuntu 24.04：uvベースのインストールとオプションの統合インストーラスクリプト • 検証、アンインストール、GPUターゲットの切り替え

01. デプロイ — ROCm上でのLLMデプロイ

🚀 ROCm LLMデプロイ
ゼロからAMD GPU上でモデルを実行するまで
📖 ROCmデプロイ入門

• LM Studio をゼロから • vLLM をゼロから • Ollama をゼロから • llama.cpp をゼロから • ATOM をゼロから

02. ファインチューニング — ROCm上でのLLMファインチューニング

🔧 ROCm LLMファインチューニング
AMD GPU上での効率的なファインチューニング
📖 ROCmファインチューニング入門

• ゼロからのファインチューニングチュートリアル • シングルマシンファインチューニングスクリプト • マルチノード・マルチGPUファインチューニング

03. インフラ — オペレーター最適化 & GPUプログラミング

⚙️ ROCm オペレーター最適化 & GPUプログラミング
AMD AIハードウェア全景からHIPオペレーターとパフォーマンス分析まで
📖 ROCmオペレーター最適化を始める

• AMD AI ハードウェア全景と ROCm エコシステム • GPU ソフトウェアスタックとハードウェアアーキテクチャの深掘り • HIP プログラミング入門と手書きカーネル実践 • カスタム PyTorch オペレーターと Autograd 統合

04. リファレンス

📚 ROCmリファレンス
公式およびコミュニティリソース
📖 ROCmリファレンス

• ROCm公式ドキュメント • AMD on GitHub • ROCmリリースノート • AMD GPUアーキテクチャ白書（CDNA / RDNA） • フレームワークと推論サービスのROCmクイックインストールリンク • 関連ニュース

05. AMD-YES — コミュニティプロジェクトの紹介

✨ AMDプロジェクト紹介
コミュニティ主導のAMD GPU活用例
📖 ROCm AMD-YES入門

• toy-cli — 軽量ターミナルLLMアシスタント • Minesweeper Agent — ローカルLLMでマインスイーパー（Agentループ実践） • WeChat「ジャンプジャンプ」とYOLOv10 — ゲームAI実戦（ROCm環境でyolov10をトレーニング・使用） • Chat-甄嬛 — 時代劇風対話モデル • 旅行プランナー — HelloAgentsエージェントデモ • Torch-RecHub — レコメンドシステム実践（CTR、リコール、マルチタスク、ONNXエクスポート） • happy-llm — 分散LLMトレーニング • Every Embodied — ROCmエンボディードAIポリシー再現

コントリビューション

  あらゆる種類のコントリビューションを歓迎します：

• チュートリアルの改善や追加
• エラーやバグの修正
• AMDプロジェクトの共有
• アイデアや方向性の提案

  まずは Content Guide（構造、命名、画像 — Qwen3などのチュートリアルに準拠）をお読みいただき、次に CONTRIBUTING_en.md（Issue、PR、モデルごとのディレクトリ規約）をご確認ください。

  ROCm の使用、モデルのデプロイ、チュートリアルの閲覧中にトラブルシューティングやFAQに関する問題があれば、コミュニティディスカッション にもぜひ参加してください。経験の共有、問題の報告、チュートリアル改善をコミュニティと一緒に進められます。

  長期的にリポジトリのメンテナンスにご協力いただける方は、ご連絡ください。メンテナーとして追加いたします。

謝辞

主要コントリビューター

• Zhixue Song (不要葱姜蒜) — プロジェクトリーダー (Datawhaleメンバー、self-llm / happy-llm プロジェクトリーダー)
• Yu Chen — プロジェクトリーダー (コンテンツクリエイター、Google Developer Expert in Machine Learning)
• Sizhou Chen — コントリビューター (Datawhaleメンバー、hello-agents プロジェクトリーダー)
• Jiahang Pan — コントリビューター (コンテンツクリエイター、AMDソフトウェアエンジニア)
• Weihong Liu — コントリビューター (Datawhaleメンバー)
• Dongbo Hao — コントリビューター (コンテンツクリエイター; 江南大学大学院生)
• Muling Ke — コントリビューター (Datawhaleメンバー)

さらなるコントリビューターを常に歓迎します。

その他

• アイデアやフィードバックは歓迎します — Issueを開いてください。
• チュートリアルに貢献してくださった皆様に感謝します。
• 本プロジェクトを支援してくださった AMD University Program に感謝します。

ライセンス

MITライセンス

---

AMD AIの未来を共に築きましょう。 💪

hello-rocmコミュニティより愛を込めて ❤️