活动回顾 | 2023 Meet TVM 首聚上海,百余位工程师共话机器学习编译的现在和未来

损失函数与优化器:从「梯度是怎么被造出来的」到「梯度是怎么被用掉的」 本文揭示损失函数与优化器本质一体:优化器仅依赖损失产生的梯度,而损失决定梯度的方向、尺度与噪声特性。错误的损失选择(如分类用MSE)会导致梯度失衡,使优化器失效;不同损失(如Huber、Focal)通过调控梯度分布影响优化过程。实测表明,归约方式、标签结构与损失配对直接决定梯度行为,进而影响收敛性与泛化。核心观点:选对损失,才是让优化器“看得懂”的前提。 阅读详情

本文首发自微信公众号:HyperAI超神经
内容一览:「2023 Meet TVM·开年首聚」成功线下相聚上海,来自企业和高校的 100 多位参与者齐聚一堂,共话机器学习编译的现在和未来。
关键词:2023 Meet TVM 线下活动

3 月 4 日,由 MLC.AI 社区主办、上海五角场创新创业学院、HyperAI超神经及 OpenBayes贝式计算合办的 2023 Meet TVM 线下聚会在上海成功举办,来自上海、杭州、北京、南京的 100 余位小伙伴齐聚上海,展开了热烈地面对面讨论。

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
活动当天,TVM 主要发明者、机器学习领域著名的青年学者陈天奇, 还为大家准备了 Opening Video,分享自己对于机器学习编译趋势的研判以及 Apache TVM 后续的发展规划。

以下为部分重点内容:

各位 TVM 中文社区的小伙伴们大家好,我是陈天奇。非常感谢大家参加这一次 Meet TVM 上海的活动,也非常感谢 local 组织的支持。

在过去几年里,人工智能和人工智能部署产生了非常大的变化,其中机器学习不再是一个以算法唯一驱动的东西,从数据算法和系统本身都影响着机器学习系统部署的成功。 而机器学习编译也从一个才开始前沿探讨的领域逐步进入到大众眼帘。

TVM 社区在这个方向上已经深耕了 5 年,我们也始终知道必须通过不断创新自我、总结以前的经验, 才能继续把整个领域包括机器学习编译和机器学习系统领域带入到下一个阶段。

从去年开始 TVM 社区也进行了一个非常大胆的改变和尝试,推动了 TVM Unity 的解决方案,希望从根本上面彻底解决包括像动态 shape、各种硬件部署以及包括像算子库和机器学习自动优化整合的各个方向的内容,并且我们希望能够把迭代开发作为我们的首要目标,使得优化算法和优化系统的小伙伴可以在一个 Python 的框架下继续迭代前进。

去年我们也推出了 MLC 在线课程,跟大家讲解相关机器学习的内容,今年我们会逐步把 Unity 真正把端到端对接起来,并且应用到各个实际的模型上面去, 也欢迎大家一起来社区开发共建,把整个机器学习编译以及机器学习 TVM 本身的工具链带入到下一个阶段。

观看陈天奇 Opening Video:

2023 Meet TVM·上海 陈天奇开场寄语

现场分享内容简介及 PPT 获取

活动当天,我们邀请到了 4 位 Speaker 进行现场分享。
在这里插入图片描述
分享主题: TVM 与机器学习编译发展

内容简介: 机器学习编译器在近几年来不断提升部署性能,TVM 也一直希望以「自动化」技术来实现性能提升。但是随着新硬件的加入,编译器的发展也遇到了包括性能、通用性等方面的诸多挑战。

目前 TVM 社区推出的 Unity 设计 (TensorIR+Relax) 尝试从根本上提升 TVM 的通用性、自定义能力,并提供更全面的基础设施。

获取 PPT: 关注微信公众号「HyperAI超神经」,后台回复关键字 TVM 上海,获取完整 PPT。

在这里插入图片描述

分享主题: 使用 TVM 做支持瑞芯微设备的模型编译

内容简介: 为了在瑞芯微设备上方便部署模型,并提升性能。我们在 TVM 上实现新的后端,来支持对瑞芯微设备的模型编译。

获取 PPT: 关注微信公众号「HyperAI超神经」,后台回复关键字 TVM 上海,获取完整 PPT。

在这里插入图片描述
分享主题: 基于 TVM 的 DSA AI 编译器构建

内容简介: TVM 开源于 2017 年,原生支持 GPU 和 CPU,怎样基于 TVM 来构建 DSA/NPU 的 AI 编译器呢?本次分享将以我们的实践来尝试回答这个问题。

获取 PPT: 关注微信公众号「HyperAI超神经」,后台回复关键字 TVM 上海,获取完整 PPT。

2023 Meet TVM 更多城市陆续开展中

接下来,本次活动嘉宾分享的详细内容将陆续在 HyperAI超神经公众号中发布推送,欢迎持续关注!

同时 2023 Meet TVM 还将在全国多座城市陆续展开,欢迎各位学界及企业界 Partner 合作共建,期待 6 月份北京见啦!

最后来一张现场大合影 👀
在这里插入图片描述

UFS Link Startup全流程解析:从硬件初始化到链路稳定的5个关键阶段 本文详细解析了UFS Link Startup的全流程,从硬件初始化到链路稳定的5个关键阶段,包括初始化阶段、数据通道发现、数据通道重新对齐、链路启动收尾和能力交换阶段。通过时序分析、代码实现和实际案例,帮助开发者掌握UFS协议链路启动的技术细节,确保设备与主机之间的可靠通信。 阅读详情

相关推荐

从透射谱到能量分布:用Rsoft破解光纤光栅耦合模式的3个关键技巧

本文面向光通信工程师与研究者,分享了利用Rsoft软件深入分析光纤光栅耦合模式的三个关键技巧。通过配置场监视器观察XY截面能量分布、利用传播动画追踪动态过程,并结合模式求解器精准判定相位匹配,帮助用户超越透射谱分析,直观可视化能量从纤芯到包层的耦合与流动,从而优化器件设计。

weixin_29290963的博客 421

活动回顾 (上) | 2023 Meet TVM 系列活动完美收官

TVM Unity 经过一年多的迭代升级,预计于近期并入 Apache TVM 主分支,届时也将成为 Apache TVM 主要的编译流程。

HyperAI超神经 1088

Zotero+WPS文献引用跳转功能缺失?3分钟教你用VBA宏搞定(附完整代码)

本文针对WPS用户使用Zotero时文献引用无法点击跳转的痛点,提供了一套完整的VBA宏解决方案。通过解析Zotero的域代码,自动在文内引用和文末参考文献之间创建超链接,实现一键跳转,极大提升了学术写作与文献查阅的效率。

weixin_28419039的博客 671

活动回顾 | 汇聚行业技术大咖,共享思维碰撞时刻,2023 Meet TVM · 北京站圆满落幕

内附 PPT 及分享实录

HyperAI超神经 400

Docker网络冲突?手把手教你解决Dify社区版无法访问172.18.0.0网段的问题

本文详细解析了在部署Dify社区版时,因Docker默认网段与局域网冲突导致无法访问172.18.0.0网段的问题。通过剖析Docker网络原理,提供了修改Docker守护进程默认地址池的根治方案,并介绍了在Compose文件中指定自定义网络等备选方法,帮助用户彻底解决网络冲突,保障服务稳定运行。

p8q9r0的博客 484

平衡电桥检测高压绝缘电阻的原理

检测绝缘漏电的高压拓扑如下:BMU需要连接BAT+,BAT-和PE线,并测量电池总压(Ubatt)和负母线电压(Un),并计算出正母线电压(Up)。

booksyhay的专栏 1万+

2023 Meet TVM 深圳站报名开启!

9 月中旬,TVM Meetup 第 3 站线下聚会定档深圳,这次我们邀请到了 5 位资深 AI 编译器专家,他们将在深圳腾讯大楼,为在场的朋友们带来精彩分享。

Tencnt_news的博客 352

STM32+HX711实战:5分钟搞定拉力传感器数据采集(附完整代码)

本文详细介绍了如何使用STM32微控制器和HX711模数转换器快速搭建高精度拉力测量系统。通过硬件连接指南、驱动实现代码和校准方法,帮助开发者在5分钟内完成拉力传感器数据采集,适用于工业自动化和消费电子等场景。

y7z8a9的博客 874

9.16 深圳腾讯大厦见!2023 Meet TVM 线下聚会定档

By 超神经内容一览:2023 Meet TVM 线下聚会第 3 站将于 9 月 16 日在深圳腾讯大厦举办!本次 Meetup 包含 5 个关于 AI 编译器的精彩 talk,期待与大家在深圳相聚!关键词:编译器 线下活动 2023MeetTVM今年 3 月和 6 月,2023 Meet TVM 系列活动分别在上海和北京成功举办,300 余位来自各大厂商、科研院所的伙伴们齐聚一堂,线上线...

HyperAI超神经 245

aubo i5 + realsense D435i识别抓取实践二

aubo i5 + realsense D435i识别抓取实践二前言一、手眼标定是什么?二、标定软件安装1.aruco_ros安装2.vision_visp安装3.easy_handeye安装4.realsense驱动安装5.安装realsense ROS软件包三、配置1.launch文件修改2.打印二维码四、手眼标定1.启动launch文件2.标定步骤3.发布tf关系 前言 前面配置好了aubo机械臂的ROS软件包,机械臂可以正常运行后,接下来我们进行机械臂与相机的手眼标定。手眼标定分为eye_on_ha

转角 6374

uniapp(全端兼容) - 最新详细实现接入腾讯视频播放器功能插件,uniapp全平台端(小程序/H5网页/App/nvu)调用引入并使用腾讯视频播放组件完整全流程(详细示例源码,一键复制开箱即用)

uniapp腾讯视频,uniapp微信小程序腾讯视频,uniapp小程序接入腾讯视频详细示例教程源码,uniapp怎么在微信小程序平台使用腾讯视频插件,在uni-app中使用腾讯视频插件播放视频,uniapp调用腾讯视频,uniapp引入腾讯视频插件,uniapp小程序中引入腾讯视频无法播放,uniapp微信小程序平台引入腾讯视频播放不了黑屏,在uniapp开发的微信小程序中使用腾讯视频,uniapp如何引入腾讯视频插件播放视频,uni-app小程序平台引入腾讯视频插件播放腾讯视频,uniapp 小程序接入

✅ 精选推荐文章 1万+

【机器学习300问】139、Post-LN 和 Pre-LN 的区别?

Post-LN与Pre-LN的核心区别在于LayerNorm的位置:Post-LN在残差连接后,导致梯度需经LayerNorm变换,深层易出现梯度衰减或震荡;Pre-LN先做归一化,使输入稳定,残差路径梯度可无损回传,显著提升深层训练稳定性。尽管Pre-LN支持更深层次模型(如LLaMA、Qwen),但存在“深度诅咒”——深层贡献不足。相比之下,Post-LN浅层表现尚可,深层数易发散。因此,现代大模型普遍采用Pre-LN以保障训练可靠性。

qq_39780701的博客 396

Open3D点云数据处理(六):点云、mesh可视化(Visualizer类)

本文介绍了Open3D中Visualizer类可视化几何对象的方法,给出了常用参数解释和代码示例。

孙悟空 3025

机器学习基础|监督学习、标签、回归

网约车预估等待时长依赖监督学习中的回归任务。平台利用历史订单数据,以司机实际到达耗时为标签,通过上车点、时间、运力、路况等特征训练模型。模型不断优化预测值与真实耗时的误差,最终对新订单输出连续的预估等待时间,实现精准预测。

weixin_43971465的博客 240

SIMATIC S7-1200, S7-1500 PID 控制[手册]

SIMATIC S7-1200, S7-1500 PID 控制[手册]

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

Hugging Face:成为机器学习界的“Github”

以下文章来源于OneFlow,作者OneFlow社区五年前,AI领域的知名研究者Andrej Karpathy发文称,传统人工编程属于“软件1.0”,“软件2

2601_96798011的博客 126

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

这7个小众Python库,才是机器学习工程化的降效神器

别再只盯着TensorFlow了:这7个小众Python库,才是机器学习工程化的降效神器在很多人的印象里,机器学习似乎就是高深莫测的数学公式、成千上万的GPU集群

2601_96797912的博客 160

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

机器学习——混淆矩阵(待更新)

二元: true表示真实==预测,positive表示预测值=1.

m0_61175448的博客 133

【机器学习300问】138、LayerNorm和BatchNorm的区别?

本文阐述了归一化与标准化在深度学习中的核心作用。输入层标准化可统一初始输入,但深层网络仍面临激活分布漂移。为此,提出BatchNorm与LayerNorm两种主流方法。

qq_39780701的博客 183

为什么生成对抗网络训练常不稳定,模式崩溃与判别器过强之间是什么关系?

当支持集不重叠时(即 $D$ 能完美区分真假),JS 散度为常数 $\log 2$,其梯度为 0。这意味着一旦 $D$ 训练得稍好,$G$ 就失去了学习方向,导致训练停滞。生成对抗网络(GAN)的训练本质上是生成器($G$)与判别器($D$)之间的非合作零和博弈。以下代码展示了如何通过梯度惩罚(Gradient Penalty)来约束判别器,避免其过强导致生成器梯度失效。判别器过强是导致模式崩溃的直接诱因之一,二者之间存在明确的**“梯度误导”**因果关系。

2402_84593233的博客 204

Spark06_MLlib机器学习

本文是《PySpark 从入门到实战》系列收官篇,带你用 Spark MLlib 走通机器学习全流程:从三要素与 7 步标准流程讲起,剖析 KNN、朴素贝叶斯、决策树三大算法原理,再以 KNN 手写、垃圾短信分类、决策树分类、逻辑回归鸢尾花(准确率 96.67%)、K-Means 聚类(轮廓系数 0.7345)五个案例落地,最后详解 TF-IDF 文本特征与余弦相似度。全文代码可直接运行,适合有 RDD 与 Spark SQL 基础的开发者快速上手。

2301_80420058的博客 451

AI 是怎样从数据中学习的?训练、验证、测试与推理

泛化能力(Generalization)指模型面对训练过程中没有见过的新数据时,仍然能够做出合理预测的能力。这是判断模型是否具有实际应用价值的重要标准。例如:一个用户流失预测模型,在历史数据上表现很好,但面对新上线的用户群体时,预测准确率明显下降。这可能说明模型学到的规律无法适应新的用户群体。泛化能力不仅取决于模型本身,也与训练数据是否具有代表性有关。训练数据只包含老用户,没有新用户。训练数据主要来自某个地区,实际业务却覆盖不同地区。过去的用户行为与当前用户行为已经发生变化。

dshizixu的博客 312

机器学习01,KNN使用与简单数学原理

个人笔记

qq_59247073的博客 265

机器学习教程,从入门到精通,高斯混合模型(GMM)——写给机器学习小白的保姆级教程(10)

高斯混合模型(Gaussian Mixture Model,简称 GMM):假设你手里的数据是由"好几堆正态分布的数据混在一起"形成的,GMM 的任务就是——把这几堆分开,并且描述清楚每一堆的样子。

qq_45746668的博客 120

AI小白入门|无监督学习到底是什么?

很多新手看完无监督学习的定义只会死记硬背。本文避开复杂公式,从真实业务场景切入,对比监督学习,讲清楚无监督学习的核心价值、适用场景、底层逻辑和容易踩坑的认知误区,帮你理解它在机器学习链路里的定位。

weixin_43971465的博客 180

机器学习01,了解与KNN

个人笔记

qq_59247073的博客 361

【slam公式】

F:状态转移矩阵H:观测矩阵R: 观测噪声协方差。

qq_44691564的博客 328
上一篇: OpenAI CTO、吴恩达夫人……AI 领域值得关注的「她」力量,个个都是女强人
下一篇: 冯思远:Apache TVM 与机器学习编译发展
HyperAI超神经
博客等级 码龄7年 8872粉丝 1753原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值