深度学习编译器对比：The Deep Learning Compiler A Comprehensive Survey

KPer_Yang KPer_Yang 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 500+累计阅读 571平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 2023-06-23 21:58:04 571 阅读 AI 写同款· GEO 优化 ›
深度学习之Encoder-Only原理与实战 【代码】深度学习之Encoder-Only原理与实战。 阅读详情

参考：The Deep Learning Compiler: A Comprehensive Survey

记录几种深度学习编译器的功能和性能的对比；

在这里插入图片描述

在这里插入图片描述


TVM在CPU和GPU的表现最好；
在这里插入图片描述

MobileNet:TVM在conv、linear、expand表现最好；XLA在dewise的表现最好；

在这里插入图片描述

收录于
高性能计算

当前文章被收录于：

高性能计算
8 篇文章 1 人学习

使用多线程、特殊指令集、cuda等方式，提高算法性能

订阅专栏 查看详情
标签
#深度学习 #人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
深度学习之Seq2Seq原理与实战 【代码】深度学习之Seq2Seq原理与实战。 阅读详情

相关推荐

深度学习之TF-IDF原理与实战

【代码】深度学习之TF_IDF原理与实战。

yumiwangzi30的博客 194

The Deep Learning Compiler: A Comprehensive Survey (深度学习编译器：全面调查)

《深度学习编译器：全面调查》一文由Mingzhen Li等人撰写，发表于2021年3月1日的《IEEE Transactions on Parallel and Distributed Systems》。该文章系统性地回顾了深度学习编译器的发展现状，探讨了其在优化深度学习模型部署和性能提升中的关键作用。文章详细分析了现有深度学习编译器的架构、优化技术及其在不同硬件平台上的应用，并指出了当前面临的挑战和未来的研究方向。这项调查为研究人员和开发者提供了宝贵的参考，有助于推动深度学习编译器技术的进一步发展。

m0_58988991的博客 1987

深度学习之LoRA(低秩适配)原理与实战

【代码】深度学习之LoRA(低秩适配)原理与实战。

yumiwangzi30的博客 264

【论文阅读】The Deep Learning Compiler: A Comprehensive Survey

深度学习（Deep Learning）编译器将深度学习框架描述的模型在各种硬件平台上生成有效的代码实现，其完成的模型定义到特定代码实现的转换将针对模型规范和硬件体系结构高度优化。具体来说，它们结合了面向深度学习的优化，例如层融合和操作符融合，实现高效的代码生成。此外，现有的编译器还采用了来自通用编译器（例如LLVM）的成熟工具链，对各种硬件体系结构提供了更好的可移植性。简而言之，深度学习编译器通过对深度学习模型和计算图的优化，以及对硬件资源的充分利用，提高了深度学习模型的性能和效率。

Mitchell_Donovan的博客 3130

深度学习之词袋(Bag-of-Words, BoW)原理与实战

【代码】深度学习之词袋(Bag-of-Words, BoW)原理与实战。

yumiwangzi30的博客 227

【信息科学与工程学】【数据中心】第三十五篇 云计算数据中心的学科知识04

编号学科（课程）核心知识点在云计算/云存储/云网络/云安全/云MaaS中的作用代表教材/资料/论文 + 数学方程式列表工业界应用D1421​云原生数据库：TiDB​HTAP（混合事务/分析处理）、分布式SQL、水平扩展、强一致（Raft）、自动故障恢复、与MySQL兼容、TiFlash列式引擎提供弹性扩展的分布式数据库；支撑高并发在线交易与实时分析教材：《TiDB in Action》PingCAP（2020） 论文：《TiDB: A Raft-based HTAP Database》（2017）

weixin_49199313的博客 406

The Deep Learning Compiler: A Comprehensive Survey

The Deep Learning Compiler: A Comprehensive Survey References https://arxiv.org/abs/2002.03794v4

程永强 951

AI对战五子棋——深度学习策略网络

在本篇博文中，我们完成了：✔ 构建一个 CNN 五子棋策略网络✔ 让神经网络输出落子概率✔ 使用 Policy Gradient 强化学习训练 AI✔ 让 AI 实现人与 AI、AI 自对弈博弈。

X2829352498的博客 32

AI编译器技术栈

参考博文：知乎

千里之行，始于足下 386

ORB-SLAM3在windows11下的编译使用

近期在学习SLAM，想部署一下ORB-SLAM3，但是自己电脑是win11系统，因此就想着在win11上部署一下。但是网上看了一些教程，有一些博客，但是可能不适合我这种情况把，就很纠结。先说下结果，配置成功，过程极其痛苦。

weixin_44457768的博客 6096

BK3437蓝牙5.2芯片实战：手把手教你设计超低功耗智能家居遥控器（附原理图）

本文详细介绍了BK3437蓝牙5.2芯片在超低功耗智能家居遥控器设计中的应用。通过分析芯片的核心优势、硬件设计要点和低功耗固件策略，手把手教你实现日均功耗低于5μA的遥控器原型，并附有原理图设计详解和常见问题解决方案。

tgb34567890的博客 620

AI4EDA / AI4Design 完整研究报告：全球论文、项目、机构与产业路线

AI4EDA 与 AI4Design 的核心变化，不是“让大模型写 Verilog”这么简单，而是把芯片工程中的规格、代码、脚本、日志、波形、STA report、formal collateral、layout image、PPA 指标、制造计算等对象统一纳入可学习、可检索、可验证、可迭代的闭环。NVIDIA 的论文谱系清晰呈现了这条路径：先建立可执行评测，再做领域模型和数据工程，然后进入工具反馈、多智能体、长上下文、verifier-guided skill evolution。

weixin_41468466的博客 935

【UGUI】二、Text(TMP) 文本

Text(TMP)、导入中文字库

天行健，君子以自强不息 3367

深度学习0:数学知识:正态分布1

步骤内容结果1引入e−x2e^{-x^2}e−x2钟形曲线2算它的面积I∫−∞∞e−x2dxI∫−∞∞​e−x2dx3平方变成二重积分I2I^2I24换极坐标简化计算5算出I2πI^2 = \piI2πIπIπ​6代入σ\sigmaσ和μ\muμ做变量替换得到σ2πσ2π​7除以它归一化得到正态分布公式2π2π​不是随便写的，它来自高斯积分∫−∞∞e−x2。

tellmewhoisi的博客 202

销售预测的方法与模型（三）丨安全库存与再订货（补货）

较高的 Z 值对应较高的服务水平（例如，服务水平 99% 对应 Z 值 2.33），意味着企业希望更低的缺货风险，因此需要更高的安全库存。在再订货点的管理中，考虑到供应商交货的不确定性，通常需要结合安全库存，以防止在交货期间库存用尽。要对L开根号，根号L表示交货周期越长，企业需要的安全库存越多，因为在较长的供应期内，需求波动的累积效应更明显。举例：供应商的交期服从标准差为2件/天的正态分布，顾客需求为50件/天的正态分布，若要客户服务水平达到 90%，安全库存量应该是多少？下面介绍几种核心的模型与公式。

weixin_45675709的博客 1535

uniapp [安卓苹果App端] - 实现支付宝支付功能+拉起支付宝app付款支付后返回跳转到原页面，详解uniApp如何唤起本机支付宝并跳转到支付页面全流程及示例源码（APP端支付宝支付，支持打包

全网最详细的uniapp支付宝支付教程，uniapp支付宝支付流程，uni-app项目在APP端使用支付宝支付功能，uniapp前端实现支付宝支付，uniapp中唤醒支付宝进行支付并返回app，uniApp调起支付宝支付失败报错，uniapp app端调支付宝支付接口，uniapp开发安卓App对接支付宝支付，uniapp苹果ios唤起支付宝支付，uniapp调用支付宝支付uniapp开发app-调用支付宝支付，uniapp开发安卓苹果app如何接入支付宝支付，UniApp中实现支付宝支付功能，支付报错，调

🏆 前端领域优质创作者 1万+

图解循环神经网络（RNN）

RNN（循环神经网络）就是“带记忆的网络”：让网络拥有一块“记忆”，在处理当前数据时，能同时参考之前看过的内容；它不一次性看完全部输入，而是像人读书一样，一个字一个字地读，每读一个字就更新一次脑子里的记忆，然后用这份记忆去理解当前这个字。但便签一直在被改写，新信息不断挤占旧信息，传到第 40 步时，“巴黎”的痕迹已经淡得几乎没了。读到“贵”的时候，网络并没有重新去查“好看”这个词——但“好看”的影响已经融在了便签里（那个 1.5）。这三个困难的共同点：答案不在当前这一个字里，而在“前面那串东西”里。

技术管理两手抓，两手都要硬. 379

注意力机制模块：注意力机制新宠：EMA 注意力（高效多尺度注意力），即插即用，涨点明显

无降维成为共识：越来越多的研究者意识到，传统注意力机制的通道降维操作会造成不可逆的信息损失。EMA 提出的“保留每个通道信息”理念正在成为新一代注意力模块的设计标准。分组并行走向成熟：特征分组 + 并行处理的设计范式已在多个前沿架构中得到验证，兼顾了表达能力和计算效率。多尺度与跨空间融合：单纯的多尺度或单纯的跨空间交互都已无法满足复杂任务需求，两者的深度融合是当前的主流方向。边缘部署导向：2026 年的新论文越来越关注在资源受限设备上的高效运行，轻量化设计成为评估注意力模块的重要指标。

ZXSXJ的博客 951

【原创深度学习项目】基于深度学习的建筑工地防护装备检测系统|安全帽与反光衣检测系统（RT-DETR-L 模型）

本文设计并实现了一套基于RT-DETR-L的建筑工地防护装备检测系统，采用Django+Vue前后端架构，实现对安全帽、反光背心等7类装备及“无PPE”“未戴安全帽”等缺失状态的精准识别。系统支持图片、视频、摄像头实时检测，具备参数可调、数据可视化与统计分析功能，有效解决小目标漏检、误检及管理难问题，助力智慧工地安全管理落地。文末可获取源码。

qq_1445749146的博客 225

《点云进阶》专栏文章目录

点云进阶》专栏文章目录

点云侠的博客 4905

php环境如何实现国密SM2相关功能

🏆本文收录于《优快云问答解惑-专业版》专栏，主要记录项目实战过程中的Bug之前因后果及提供真实有效的解决方案，希望能够助你一臂之力，帮你早日登顶实现财富自由🚀；同时，欢迎大家关注&&收藏&&订阅！持续更新中，up！up！up！！

**My Coding Family** 1616

神经网络入门指南：从 CNN、RNN 到 Attention

神经网络的学习，本质是“预测—比较—纠错”的循环；CNN 通过局部连接与权重共享理解图像；RNN 通过隐藏状态传递上下文；LSTM 和 GRU 用门控机制管理记忆；Encoder–Decoder 把理解与生成拆成两个阶段；Attention 则让模型在每一步都能主动寻找最相关的信息。到这里，我们已经走完了从普通神经网络到 Attention 的完整路线。下一篇将正式进入 Transformer，看看它如何摆脱 RNN 的顺序计算，又如何让每个 Token 直接找到与自己相关的信息。

爱敲代码的小黄 364

android 蓝牙通讯demo

android 下蓝牙通讯demo，实现了发现蓝牙，使能蓝牙，通过蓝牙发送消息。

基于深度学习的垃圾分类系统的设计与实现

本系统是一个基于 Flask Web 框架与 PyTorch 深度学习模型的垃圾分类智能识别平台。系统面向垃圾图像分类场景，能够对上传图片中的玻璃、纸张、纸板、塑料、金属、其他垃圾等六类垃圾进行自动识别与置信度评估，并提供识别历史、数据统计、模型在线训练与记录导出等完整功能。系统使用 TrashNet 公开垃圾分类数据集进行模型训练，管理员可手动发起模型训练，训练完成后自动加载新权重。启动服务不会自动训练。

aiyuanma_vip的博客 387

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案

CNN 卷积神经网络深度解析：卷积、池化与特征提取的底层原理

卷积核（Kernel），也叫滤波器（Filter），本质上是一个可以训练的权重矩阵。1 0 -11 0 -11 0 -1这个卷积核可以对图像中的局部像素进行加权计算。不同的卷积核能够提取不同类型的特征：水平边缘特征垂直边缘特征纹理特征角点特征局部形状特征在传统图像处理中，滤波器通常由人工设计。而在 CNN 中，卷积核的权重通过训练数据和反向传播自动学习得到。这也是 CNN 能够自动提取图像特征的关键。# 第一层卷积padding=1# 第二层卷积padding=1。

2503_90237586的博客 250

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

图解常用深度学习优化器

来隐式构造 Hessian 逆的近似，从而直接估计出“谷底在哪”，而非仅仅判断“哪边最陡”。即SGD/Adam 主要看“当前坡度”，LBFGS 还会看“最近几步坡度怎么变”，像用局部地形图来规划路线。训练 Transformer 时，有些层梯度大，有些层梯度小。如果用 Adam + L2，梯度大的参数反而可能被“少衰减”，正则效果不稳定；：你要下山，但每次迈步前都要派侦察兵把整座山的每一个坡面都测量一遍，算出“绝对最陡”的方向才走一步。：还是下山，但这次你只问身边一个路人“哪边最陡”，然后就走。

技术管理两手抓，两手都要硬. 211

基于深度学习的猫图像目标检测方法研究：YOLOv8s模型海选、多种子对比训练与Django+ONNX部署实现详解

本课题基于深度学习研究猫图像目标检测问题。数据集含1000张猫图像、1188个标注框，按固定比例划分并冻结清单；训练前在多个候选族中短训海选，确定YOLOv8s为主模型，经学习率搜索与显存标定后完成150轮训练，验证集mAP50达到0.92，并以7个随机种子的对比实验验证稳定性。最优权重导出为ONNX接入Django系统，提供图片、视频、摄像头三种识别方式，配套识别记录管理与统计大屏，形成从训练到应用的完整闭环。

WEIXIN_JSJBSZDS的博客 196
上一篇： 论文阅读和分析Heart Rate Monitoring During Physical Exercise From Photoplethysmography Using Neural Network
下一篇： QListWidget设置QWidget作为QListWidgetItem
点赞 0
评论 0
书签 书签 1
KPer_Yang
KPer_Yang
博客等级 码龄5年 281粉丝 181原创
+ 关注 专栏目录 订阅专栏
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
 
表情包 插入表情
表情包 代码片
 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

打赏作者

KPer_Yang

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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