据MarkTechPost报道，该媒体于2026年9月15日发布一篇教程，介绍NVIDIA cuDNN的Graph API以及cuDNN Frontend的使用方式。教程从框架底层展开，把计算描述为操作图，由cuDNN选择执行引擎，再让开发者自行控制这一选择。

报道称，教程中构建的每个内核都采用同一套表达方式：按维度和步幅声明张量，在其上串联操作，然后运行五步构建流水线，依次为验证、构建操作图、创建执行计划、检查支持和构建计划，最后针对指针变体包执行。整个流程在单个Colab GPU上运行，每个结果都与PyTorch参考实现比对，以同时检查融合是否正确以及融合的代价。

教程主题逐层递进，从单个融合卷积开始，延伸到跨引擎配置的自动调优、FP8风格epilogue、注意力、计划序列化、动态形状以及CUDA graph捕获。报道称，这些主题建立在彼此之上，展示cuDNN Frontend的Graph API从基本融合到更复杂执行控制的能力范围。

在代码部分，教程先安装nvidia-cudnn-frontend并定位libcudnn。其处理首次运行常见问题的方式是，先强制PyTorch加载其捆绑的cuDNN，再显式预加载共享对象，使前端自身的dlopen调用解析到已在进程中驻留的库。随后教程报告GPU计算能力，据此选择bfloat16或float16，创建cuDNN句柄，并定义声明张量、标量以及构建、执行和基准测试所需的辅助函数。

报道还提到，教程在构建图时可使用启发式模式，并通过策略参数控制build_plans，同时提供工作区分配和基准测试函数，用于测量内核执行时间与TFLOP/s。原文以代码块形式给出完整示例，并说明当环境缺少pip安装的cuDNN包时，会回退到系统cuDNN。