Skip to content
KernelIndex
Search⌘K

submission 670643

Elán Zainos Corona · python · License unknown

Use it

Vendorable · source mirrored · license unknownView source →

No package. Vendor the mirrored source: 42 lines, June 9 Researcher Reciprocity License v1.0.

matroska.py
curl "https://kernelindex.com/api/v1/implementations/kernelbot-conv2d-v2-670643?include=source"
interfacepython
Compatibility
measured onNVIDIA B200
declared hardwareNVIDIA B200
architecturessm_100
dtypesfp32

Benchmark evidence

1 measurement across 1 GPU, fastest first.

Operation / workload
Hardware
Latency
Rank
Observed
2D convolutionsuite of 5 cases
NVIDIA B200
42.0ms
#13 of 28
2026-03-30

Reported · How evidence levels are derived →

Source and license

sourceavailable
revision digestsha256:d28fcf3e9ccaadcecdbca329af3dc2effba666801e868a5e1a4da86d9455ffbe
license declaredunknown
license concludedunknown
authorsElán Zainos Corona
imported2026-08-15

Kernel source

matroska.py42 lines
# -*- coding: utf-8 -*-
import torch
import torch.nn.functional as F

def custom_kernel(data):
    """
    Sistema Sentinel Omega - Implementación Matroska (Cebolla).
    Optimiza el flujo de energía mediante el colapso de capas espaciales.
    """
    # 1. Ingesta del Hiper-tensor (Capa Exterior)
    input_tensor, kernel, output = data
    
    # Geometría del sistema
    batch, in_c, in_h, in_w = input_tensor.shape
    out_c, _, kh, kw = kernel.shape
    out_h, out_w = output.shape[2], output.shape[3]
    
    # 2. El Doblez (Creación de la Capa Interior)
    # F.unfold toma la matriz grande y la 'dobla' en parches del tamaño del kernel.
    # Es como meter la cebolla grande en capas manejables de kh * kw.
    x_unfolded = F.unfold(
        input_tensor, 
        kernel_size=(kh, kw), 
        padding=0, 
        stride=1
    )
    
    # 3. Alineación de Fase (Kernel Matroska)
    # Aplanamos el kernel para que coincida con el centro de nuestra cebolla.
    w_flat = kernel.view(out_c, -1)
    
    # 4. Colapso de Probabilidad (Multiplicación Tiled)
    # torch.matmul ya tiene el Tiling Jerárquico (8, 16, 32) en su ADN.
    # Procesa las capas más chicas hasta abajo y las grandes envolviéndolas.
    res = torch.matmul(w_flat, x_unfolded)
    
    # 5. Desdoblamiento a la Realidad 4D
    # Regresamos el resultado al contenedor original (Cubo Exterior).
    output.copy_(res.view(batch, out_c, out_h, out_w))
    
    return output
scrolls · 42 lines total

Source code from GPU Mode and the KernelBot dataset · June 9 Researcher Reciprocity License v1.0

Best evidence level for this revision: reported

JSON