所属分类：AI大模型与智能应用 当前为单品课程，可返回上一级继续浏览同方向资料。

← 返回上一级

← 返回所属目录咨询 / 购买

AI编译器架构与计算图优化

共计 30 章节

点击此处阅读海量试读课程：100+行业、1000+细分领域

学习目标 · 课程结构 · AI编译器在深度学习部署中的核心作用…

课程导入学习目标

深度学习基础与计算图概念

张量 · 算子 · 前向/反向传播

深度学习基础计算图概念

AI编译器概述

定义 · 发展历史 · 主流框架（TVM

AI编译器概述

计算图构建与前端解析

从框架（PyTorch/Tensor… · 图捕获技术 · IR中间表示入门

计算图构建前端解析

中间表示（IR）设计

图IR与张量IR · SSA形式 · 控制流与数据流

图优化概述

优化目标（性能 · 内存 · 功耗）

图优化概述优化目标

算子融合（Operator Fusion）

融合原理 · 常见融合模式（Conv+BN+ReL… · MatMul+Add）

常量折叠与死代码消除

常量传播 · 编译期求值 · 无用节点删除

常量折叠死代码消除

代数化简与强度削减

等价变换 · 简化冗余运算 · 用廉价算子替代昂贵算子（如除法转乘法…

代数化简强度削减

内存规划与生命周期分析

内存复用 · 内存池 · 张量生命周期计算

内存规划生命周期分析

数据布局与格式转换

NCHW/NHWC/NC1HW2等布… · layout转换优化 · 对卷积和矩阵乘的影响

数据布局格式转换

并行化与调度优化

算子级并行 · 图级并行 · 流水线调度

并行化调度优化

自动微分与梯度图优化

反向图生成 · 梯度算子融合 · 梯度检查点

自动微分梯度图优化

控制流优化

条件分支与循环的图表示 · 控制流扁平化 · 循环优化（展开

控制流优化条件分支

量化与低精度优化

量化原理 · 量化感知训练与后训练量化 · 图优化中的量化算子融合

量化低精度优化

稀疏化与稀疏计算优化

稀疏张量表示 · 稀疏算子优化 · 剪枝与稀疏化在编译器中的集成

稀疏化稀疏计算优化

TVM架构详解

TVM整体架构 · Relay IR · TE（Tensor Expressi…

TVM架构详解

MLIR与多级IR

MLIR核心概念（Dialect · Operation · Type）

XLA与JIT编译

XLA架构 · HLO IR · JIT编译流程

图优化Pass实现实战

Pass基础设施 · Pass依赖与执行顺序 · 编写一个简单的Pass（如常量折叠）

计算图可视化与分析工具

图可视化工具（Netron · TensorBoard） · 性能剖析工具（profiler）

计算图可视化分析工具

端侧与移动端优化

端侧编译器特点 · 算子库（NCNN · MNN）与编译器协同

端侧移动端优化

训练与推理的图优化差异

训练图优化（梯度累积 · 混合精度） · 推理图优化（算子融合

训练推理的图优化差异

动态shape与动态图优化

动态shape挑战 · shape推断与约束 · 动态图静态化技术

图优化中的自动搜索与机器学习

基于学习的优化（如AutoTVM） · 成本模型 · 进化搜索

图优化自动搜索

常见问题与调试技巧

图优化引入的错误 · 精度问题排查 · 性能回退分析

常见问题调试技巧

从PyTorch模型到TVM部署 · Relay构建 · 图优化Pass应用

案例实战PyTorch

基于MLIR实现自定义算子优化 · 编写Pass · 降级到LLVM

案例实战MLIR

构建一个简单的AI编译器原型 · 实现基础图优化（融合 · 常量折叠）

前沿趋势与总结

AI编译器与硬件协同设计 · 异构计算 · 编译器与自动微分结合