AI算力研究框架(100页PPT)

0ea638fcd82d8a312798a2d2b31627fb.png

e9798b93d2a090321b2ee19d0ffa9d0d.png

a662785aead74e27f922067c49e8eaea.png

411bb09d7e2c053d8e0cd70fe54bb1c5.png

9f3f44dd33e4379b143a16e5198df3b3.png

f1c16abc842bbed1e8f1a899f1b607f5.png

3ffcbf963daee388f37c32c908465734.png

a09f6bea45a1a3fc7204e1154df962f0.png

8e22dd8f3923535a49997b3015fcd37c.png

068b9706b305821b7bb30ddea5704c16.png

ddc879b9d34f8aa2e616418fa20d6182.png

72a188f0345f96682dca4ca2fbab7bc6.png

f8dd1087850ee5794f2d2140c8989227.png

8437325654c8332b08c4b581c02778a5.png

60969ee92af07f213cf1b08b29ca8e77.png

acbb835ce835582b42f62110b502bcd2.png

6de3ed47193309ad9ec77f4abc3ac5c8.png

c1db5cd4e9528f59ad4457b50a1779e4.png

7e3a7ee6eff52dcc32fe686e8088d53f.png

ac5739c44b26544fd0f723333a746d96.png

266592507fd4c851a7893eff397da278.png

310c7badb009aab1a151341e590c8a6f.png

72562219bd336d2e5953e394407dad30.png

b8d09d0f43b4956a18654ce0325413e7.png

0b982ee254b32f3923d1a928a1c96a8e.png

6d6ca2777b8a906af885f37cf263c382.png

1b94a764945a1ad4ca2796761d3c5e4a.png

2e70db4a1e1dc461bd6602c23d1cae04.png

fd13a18fba9201a3b8080640e3fa2961.png

857034b853607c013975db9ebc043711.png

58e5e551d09b18b863bcff6e87ae9d15.png

a8291425e87774dd3c986b4f5c0d3462.png

db2b8080667f0a7e70b85ab0c4dbb6a1.png

89ddac9b910fb299909a47c246b74bbf.png

b2910c0934e5ba91eda93f8e5939c02b.png

9766eb239c9f4339ea127466ac25ea4f.png

66d497a5d2f8b0742a9f90aed50f713a.png

0e05e049bb4680056a1afd9c0dae8ee4.png

ed9dfa0824bd0629be61cc5c9f3e4504.png

f8c849829ce6614434802e2dd6fbce7d.png

b8aa3d381ef6bdb36ffd961dd15e48e1.png

09c1b5df817ba0a6d797edb9cde7852d.png

d3cc2b627ceda80e86cc57ec31c025d3.png

953522a27c5bc88d5daa6e01cd69db19.png

7650728daaaff60e0ef17f619aeed1de.png

aabed74a11dd43b02c724e02df76c3d3.png

8fe80f9074308591bf7539ddde7237bf.png

f884a6e759913162d8c57c529a27f86d.png

dba342cd845ab36d918b077035fe1620.png

357f2b7a78680a8bf8e660d91ced1798.png

df77f0f282661d98baff680c5c8cbd70.png

cdde69e5b3eb497620e0f7969f1ff9f1.png

75928fd21b16b834a7036f827933184c.png

50ae29f52797f2a3b15c34217b8c0de7.png

1e5b0dadd41ab0b4df0f184a1c5d35c3.png

6aba314bb99a8047d6e6440e967903d7.png

99da82b57d0fb528c3eb0ed722c0d0cc.png

156630fd0f94af9b6bb4078af495b49d.png

d6d91f1fdd6920c554a12fc67f12e5ac.png

4a62e129498313383907111a254c0a71.png

6a9bb63153f960e9adcc01c3e58e9776.png

4c3ecd6c5631ba25dfdf3b29967bf2aa.png

69ae65af26c7f08802dd43cc28a6c654.png

8cc9f31c16926aa766adfb08227ea332.png

eff0e6a79727e60ea04d9eb8ddd5ee83.png

1063bd655d1cb39355510ceb7ff80cb8.png

3d0e1deebb42d3b4f4497a5d213e490d.png

624b66d8b1046900a4e9548534554a79.png

3618b653bb086d914484004b4e8952f9.png

26e7a5db56cd5c42790c05158b1dc9fc.png

256e229141e8da09e300959a502e7f29.png

ad69c2432f4df58f12264edd9fd27cb4.png

550c61a556fe036e63c28ad6c0416719.png

7105910081c0c5dd91c408b9350c6027.png

c0f86b802a66cd114b8b4551af8e91b8.png

0b07b4a9bfc19abc02c4a17dd81169a3.png

af5c7357b692ae372fe1258a72fce4a0.png

da1bc4cf72f03f264c803ae58c343cd9.png

e5bc79d7ec500663a1b727d7f80a53db.png

7d346a502d0f9cfb5cfea578dfcad6e1.png

4ee88de833b57819d350cd97dc624c7f.png

b6a7e066130ddac603e0cfa1e114625e.png

1e047801f2bfe7f0dda1c41c9a6cab64.png

db00137825824bf8ba00f9e3ba6d2050.png

63a24a5390ae0e8a2d1be4936a6399f5.png

bf2c89473454c80fc11be87fe3d20566.png

41266bcefd44c6e73566ff71c835aad5.png

648cba2c40ee8fd0c3db6cd2935440a6.png

872ec67f365bfb24e6f64b5caef31e11.png

4843b003ac941eff355c1ab75975eea9.png

24e8bc861516882281b0573b7051909c.png

bde82cb9602deea90ae5b2d6aab30812.png

dcd5b6f4ba96c11e18649d553f0a0ed6.png

ae82c664c24d672d23dc8d0b926a7e78.png

aca515f34a41877a38bdd31bcc84da39.png

144437e3c6e5a9a6431fb32a7163804f.png

b989b1abd9dd95e0c2c5cb61af1b1558.png

0390e50e4ba6720d47f4b3c4acf3db1c.png

2021 AI基础软件架构峰会PPT汇总,共29份。 AI基础设施软件技术横跨深度学习法、编程语言、编译器、数据库、分布式系统、高性能网络和AI芯片等多个前沿领域,是当前学术界和产业界共同感到兴奋的新领域。 一、AI芯片及编译器 AI芯片软件栈技术挑战和初探 地平线在软硬件协同设计的一些实践 NVIDIA GPU架构下稀疏特性的实践与挑战 二、深度学习框架 当我们谈论框架时,我们在谈论什么? 面向云计的分布式机器学习优化实践 超大模型高效训练的分布式框架Whale 飞桨:源于产业实践的开源深度学习平台 MegEngine DTR 技术与训练框架技术创新 构建高效易用的图深度学习平台 三、端侧推理 Tengine-边缘AI异构计平台 面向AIoT的深度学习框架MACE PNNX:PyTorch Neural Network Exchange MNN —— 功能完备的推理引擎 四、MLops及AI工程化落地 建立公开数据集标准,赋能AI工程化落地 字节跳动机器学习系统云原生落地与实践 OpenMLDB:为AI工程化落地高效供给正确数据 开源AI框架的程序接口设计 五、超大规模模型训练 快手八卦!突破 PyTorch、TensorFlow并行瓶颈的训练加速框架到底是啥? Maximizing Parallelism in Distributed Training for Huge Neural Networks 神舟大规模预训练模型 让大规模分布式深度学习变得更方便 六、互联网广告推荐 基于GPU的超大规模离散模型训练框架PaddleBox、FeaBox 浅谈点击率预测模型中Embedding层的学习和训练 XDL训练系统的演进 稀疏模型训练引擎-DeepRec 无量深度学习系统在腾讯推荐类业务的应用 七、前沿应用与基础架构 如何使用 JuiceFS 为 CV 模型训练提速 Milvus+Towhee:向量数据库及embedding流水线
本白皮书是中国移动对网络的产生背景、核心理念、应用场景、发展路径以及技术创新的系统阐释,希望联合产业各方从产业推进、技术攻关、服务创新与生态构建等多方面共同推动网络的发展,并最终实现“网络无所不达、无所不在、智能无所不及"的愿景。报告提出以下网络三大问题: 实现网络的愿景和目标,面临三个方面的挑战: 1、技术挑战:跨领域架构融通和网一体化技术尚需突破。网络涉及多技术领域,当前和网络各自的技术体系、架构实现和发展路径不同,编排调度、运营优化相对独立,网络统一架构、技术标准和开源生态等还不完备。近中期需要首先突破技术架构的融合边界问题,实现网的统一度量、智能化调度和组合服务:面向远期,为实现网一体化服务,网络衍生出一系列前沿技术,如原生、路由、在网计等。大部分交叉领域的理论研究和技术攻关等工作仍处于起步阶段,攻克这些核心技术是原创技术引领和突破的一次机遇与挑战。 2、产业挑战:产业对网络理解尚需要加强碰撞,需要凝聚产业共识。当前产业对网络的概念还存在不同理解,部分观点认为网络仅是云网融合或6G中的一种技术形态,部分观点认为网络主要是对IDC、云计、大数据的布局规划,强调对进行连接的网络。中国移动提出的网络是一种深度融合的新型信息基础设施,包含丰富技术和创新服务。网络是对传统行业的一次全方位“技术改造”,并面临着多样性芯片供应链健壮性和安全性风险,软硬件产业链和DOICT跨界融通挑战。天此,网络的推进需要开放思想,互通文化,加强国家政策引导,凝聚产学研用量,加速对网络概念共识的达成,促进产业成熟。 3、生态挑战:网创新服务涉及跨产业链的生态繁荣,行业应用尚待激发培育。网络对产业现有服务和商业模式是一个全新的挑战,会对产业价值链进行重构升级。当前行业数字化发展阶段,企业应用上云模式已相对成熟,但对网一体化的极致化体验需求正在逐步释放,新的服务业态创新还需要应用的激发。为盘活社会,共享经济的生态需要进一步激发多角色参与的市场活,实现跨服务主体统一运营,促进以为中心的应用规模落地。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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