设计平台市场分析,做seo网站公司哪家好,网站建设原因,网站切图1)深度学习编译器复杂个JB
与通用自动编译工具不同#xff0c;深度学习编译器结构更加复杂#xff0c;包括图层优化、张量 #xff08;Tensor#xff09;优化、代码生成、硬件部署、自动调优#xff08;Auto Tuning#xff09;等几个部分。以TVM 为例#xff0c;图1.1 …1)深度学习编译器复杂个JB
与通用自动编译工具不同深度学习编译器结构更加复杂包括图层优化、张量 Tensor优化、代码生成、硬件部署、自动调优Auto Tuning等几个部分。以TVM 为例图1.1 为TVM 的结构示意图。
最上层表示不同的深度学习框架TVM 将不同深度 学习框架实现的算法转化为高层IR 表示高层IR 以算子为原子单元将不同类型的算法 抽象成图节点对图进行融合优化。之后TVM 将高层IR 转换为中间层IR通过将不同 的算子转换成循环嵌套和对应的矩阵乘法或加法运算实现对循环嵌套和计算的张量优化 优化过程中通过自动调优方法进行参数调整。而后通过张量优化实现计算任务在底层硬 件上的自动部署。最后TVM 将优化后带有部署标记的中间IR 传递给代码生成面向不 同的加速部件实现相应的代码生成和部署
2TVM 结构示意图 3
在深度学习编译器中张量优化是最核心的过程不仅要实现面向底层硬件的各种循 环优化还要负责神经网络算法到硬件体系结构的自动部署。在面向人工智能专用加速芯 片进行循环优化和任务部署过程中张量优化需要充分考虑加速芯片的硬件架构最具挑 战性的就是芯片架构上的存储结构。
张量就是多重数组计算的优化好像也没有什么特别的吧
4Ascend 910 芯片的达芬奇结构示意图 其中Cube 计算单元用于计算张量/矩阵计算L0A 和L0B 分别为该计算单元的一级 缓存L0C 则用于存储Cube 计算单元的结果L1 是介于L0A/L0B 和片外存储之间的二 级缓存。Vector 和Scalar 计算单元用于计算向量和标量计算可向UB 缓存写入或从UB 读取数据同时L0C 的数据也可以作为Vector 计算单元的输入。作为二级缓存L1 和 UB 之间可以相互传输数据。类似地TPU 和GPU 图灵体系结构也具有类似的多元化计 算单元和复杂的存储层次。
达芬奇结构采用的是脉冲架构怪不得不兼容CUDA。华为晟腾的生态也做不起来尽管赚了秀多钱。
5深度学习的算法优化估计目前还是靠人力吧
面对深度学习应用的海量数据为了充分利用人工智能专用加速芯片的多级缓存结构 张量优化在实现算子层的循环优化时要以循环分块为前提。在此基础上实现图层优化的 融合、张量优化的其它优化技术如合并、分布等以及在计算任务的调度、自动部署和 自动调优过程中使用的调优算法等。例如循环合并需要在分块后计算块内所需其它计算 任务总量决定合并的策略而计算任务的自动部署阶段需要根据循环分块后的循环维度实 现与并行硬件抽象之间的映射。
6第二章对多面体模型和基于该模型的编译优化技术的研究进展进行了系统全面的总 结。研究了多面体模型的工作原理分析了多面体模型编译工具的编译流程给出了利用 多面体模型提升程序并行性和数据局部性的主要方法。最后介绍了多面体模型中的调度树 中间表示。
感觉 第二章应该写得比较好。
第三章以多级存储层次进行局部性优化为目标对分块技术的自动生成展开研究。基 于多面体模型已经实现的平行四边形分块设计了一种新型的分裂分块算法并在多面体模 型编译器PPCG 中对该算法进行了实现可针对通用多核CPU 架构生成带有分裂分块的 OpenMP 代码。
PPCG也可以生成OpenMP代码是这个意思吧
也很清楚 6 感谢《面向异构系统的多面体编译优化关键技术研究_李颖颖》
