- 博客(4)
- 收藏
- 关注
RSS订阅原创 三.深度学习框架
• ONNX（Open Neural Network Exchange）：跨框架模型格式标准，非训练框架，核心用于将PyTorch/TensorFlow模型转换为统一格式，适配不同部署环境（如PyTorch模型转ONNX后，可在TensorRT或移动端部署）。• 优势：算力效率极高（适配TPU优化），支持函数式编程，适合超大规模模型（如大语言模型、扩散模型）研发，灵活性远超传统框架。• 定位：工业级首选，通用性极强，适配全场景部署（服务器、移动端、边缘端、嵌入式）。
2025-12-11 05:55:58
394
原创 二.编译器和代码优化技术
编译器是将高级编程语言（如C、C++、Java、Python）编写的源代码，转化为计算机可直接执行的机器语言（或字节码、中间代码）的程序，核心价值是“翻译+优化”，让代码能高效在硬件上运行。词法分析：拆分源代码为最小语法单元（如关键字、变量名、运算符，称为“Token”），比如把int a=1+2;拆为inta12;。语法分析：基于Token构建抽象语法树（AST），校验语法合法性（如是否漏写分号、括号不匹配），AST是源代码的结构化表示，便于后续处理。语义分析。
2025-12-11 05:49:54
785
原创 AI芯片知识体系
若做通用编译器开发：核心学 LLVM；若做ML 编译基础设施：核心学 MLIR（统一 IR 与跨层级优化）；若做TF + TPU 加速：核心学 XLA；若做跨框架/边缘端 ML 部署：核心学 TVM；趋势：MLIR 正在成为 ML 编译的“统一中间层”，XLA/TVM 等工具均逐步对接 MLIR，LLVM 则始终是底层基石。
2025-12-10 21:00:45
773
原创 一.卷积神经网络
卷积神经网络（CNN）是一种专门处理网格结构数据（如图像、视频）的深度学习模型，核心通过「卷积操作」自动提取数据的局部特征（如边缘、纹理、形状），并结合池化、全连接层完成特征融合与分类 / 回归，是计算机视觉（CV）领域的基石模型。一、核心设计逻辑：模拟人类视觉感知人类看图像时，会先识别局部细节（如线条、色块），再逐步组合成复杂物体（如人脸、汽车）。CNN 复刻这一过程：用卷积层提取局部特征（无需手动设计特征，模型自动学习）；用池化层压缩特征维度（减少计算量，保留关键信息）；
2025-12-10 15:21:49
754
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人