博客标题

神经网络虽很早就出现，但在现在才适逢其会，将算法、数据、算力这3者融合在一起，不需要定义各种规则，也能去模拟、近似某个事物。理论上，只要足够的数据，足够大的模型，足够的参数，足够的算力是有可能无限接近。各自的大脑有着不同的世界建模，对万物的联系edge有着不同的权重。看到一朵红色的花，这是牛饲料，这是绘画的风景，这是物理学的光的反射，这是生物学中色素的沉淀，这是片肥沃的土地，这是季节的反映。比较剪枝，稀疏化等。虽上过高数课，但我没有经过严格的数学培训，此处就是以一介数学白丁的视角看神经网络后的数学原理。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言将数据、管道和基于张量切片的并行性来个大杂烩。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport pandas as pdimport ma

文章目录前言一、MLIR的江湖地位二、IR的完备性三、MLIR结构的一些看法前言最近读了mackler的2篇文章，专用架构与AI软件栈，深有同感。借此机会也小结一下目前自己对MLIR的体会。一、MLIR的江湖地位MLIR从诞生开始就争议不断，但争议归争议，使用者和关注度逐渐上升。为什么呢？能解决问题的工具就是好工具。虽说有可能在某些人眼中，使用MLIR耗费了更多的时间和人力。但MLIR能走多远，和mackler文中所提到的问题有关：MLIR本身更接近一个库的定位而非生态？ 两者最大的差别就在.

文章目录前言一、编译流程二、验证流程1.编译工具2.测试验证4.25号更新前言最近几天试了试 TensorFlow RunTime(TFRT)，优劣就不讲了，官方文档说得很详细了。TFRT本质上还是遍历DAG，依次检查operation并找到对应的算子，在目标机器上执行。小试TFRT，是想知道如下2个问题的答案：TFRT是怎么和MLIR结合的？TFRT是怎么产生机器码的？一、编译流程TFRT从某种程度看，是为MLIR定制的runtime，其本身也是以一系列dialect的形式存在。但.

Sparsity & Quantization 之自我理解DNN的最初的动力是以precise为中心，但随着DNN在Edge的推广，Latency和Throuput则成了inference过程中关心的问题；为了后者，即使损失些精度，都是可以接受的。Inference的时间消耗主要分两部分： Computing 和 Data move。如何在这两部分节约时间，则就各显神通。如果就Ineference本身而言，目前常用的方法也就是Sparsity和Quantization。其中Sparsity

Deep Learning Compiler 之自我理解前序编译器狂想DL编译器什么是DL编译器DL编译器的融合DL编译器的优化方法前序接触DL算起来也有几年了，但是一直在外围，未真正深入。因工作关系，主要接触的是DL的inference架构以及ASIC的Soc部分，零散又琐碎。后将DL compiler作为个人的兴趣方向，认为DL编译器在整个DL的业务流程中，处于承上启下的地位。读了些论文以及代码，但依然缺少系统性。近一年前接触MLIR，当时只是粗略了解，以及在nGraph上玩了玩MLIR，仅此而

去年写的一篇PPT，资料多来自网上。半路出家，似懂非懂。SVM

在网上闲逛时，看到Intel的DL SDK，想瞧瞧怎么样。以下是安装过程中遇到的点点滴滴。从 https://software.intel.com/en-us/deep-learning-training-tool 可以进入下载页面，可看到有3个下载选项 ： for Windows, for MacOS, for Linux。先试试Windows版本吧，下载后安装提示，将SDK安装到我自己