行静态数据流与权重压缩结合 - 第1节
数据流基础：什么是静态数据流
各位同学，咱们今天聊点实在的。静态数据流这个概念，说白了就是——数据在程序里怎么流动，而且这个流动路径在编译阶段就定死了，不会因为运行时状态而改变。
我刚开始接触这个概念时，也觉得有点抽象。后来在做一个视频编解码的加速项目时，才真正体会到它的价值。当时我们需要把一帧图像拆成多个宏块并行处理，每个宏块的处理路径完全固定——这就是典型的静态数据流。
静态数据流的三个核心特征
- 确定性：数据从哪来、到哪去，编译时就能确定
- 无副作用：每个节点只依赖输入，不修改全局状态
- 可并行：没有数据依赖的节点可以同时执行
关键理解：静态数据流不是一种编程语言，而是一种计算模型。它描述的是数据在算子之间的流动关系，而不是指令的执行顺序。
数据流图的基本概念
数据流图，我习惯叫它 DFG（Data Flow Graph）。它由两部分组成：节点和边。节点代表计算操作，边代表数据依赖。
举个例子，一个简单的加法运算 c = a + b，在数据流图里就是两个输入节点指向一个加法节点，加法节点再指向输出节点。就这么简单。
数据流图的构成要素
| 要素 | 符号 | 含义 | 我见过的坑 |
|---|---|---|---|
| 节点（Node） | 圆形/矩形 | 计算操作或算子 | 节点粒度太粗会导致并行度丢失 |
| 边（Edge） | 有向箭头 | 数据依赖关系 | 循环依赖会让图变成有环图，处理起来很麻烦 |
| 输入端口 | 左侧入口 | 数据流入点 | 端口类型不匹配是常见错误 |
| 输出端口 | 右侧出口 | 数据流出点 | 输出端口忘记连接会导致数据丢失 |
我的经验：画数据流图时，我习惯先画数据依赖关系，再考虑计算逻辑。这样能避免把控制流混进来——这是新手最容易犯的错误。
咱们来看一个实际的数据流图。下面这个图展示了一个简单的图像处理流水线：
你看这个图，灰度化和高斯滤波之间没有依赖关系，它们可以同时跑。这就是静态数据流图的魅力——并行性一目了然。
数据流与指令流的区别
这个问题，我当年面试时被问过。当时我答得磕磕巴巴，后来在写编译器后端时才真正搞明白。
指令流，就是传统的冯·诺依曼模型——指令一条条顺序执行，PC寄存器指着哪就执行哪。数据流呢？数据准备好了就触发计算，没有固定的执行顺序。
核心区别对比
| 维度 | 指令流 | 数据流 |
|---|---|---|
| 执行驱动 | 程序计数器（PC） | 数据就绪（Data Ready） |
| 控制方式 | 显式控制流（if/else/loop） | 隐式数据依赖 |
| 并行粒度 | 指令级并行（ILP） | 任务级并行（TLP） |
| 状态管理 | 全局内存/寄存器 | 局部数据令牌 |
| 典型代表 | x86、ARM 处理器 | TensorFlow、深度神经网络 |
我曾经踩过的坑：在做一个 FPGA 加速器时，我把一个循环展开成了数据流图。结果发现循环体内的变量依赖没处理好，导致数据竞争。后来我学乖了——画数据流图之前，先把所有共享变量标出来，逐个检查依赖关系。
为什么静态数据流更适合硬件加速？
你想想看，指令流里每条指令都要取指、译码、执行、写回，光是取指译码就占了不少周期。而数据流图一旦确定，每个节点就是一个独立的硬件单元，数据直接从一个单元流到下一个单元——没有取指译码的开销。
我记得在优化一个卷积神经网络时，用数据流的方式把 7 层卷积展开，吞吐量直接提升了 4 倍。原因很简单：指令流模式下，CPU 要反复从内存取权重和指令；数据流模式下，权重直接硬连线到计算单元里。
什么时候用数据流，什么时候用指令流？
- 数据流适合：计算模式固定、数据量大、并行度高的场景（图像处理、神经网络、信号处理）
- 指令流适合：逻辑复杂、分支多、需要动态决策的场景（操作系统、数据库、Web 服务）
我的建议：别把两者对立起来。实际工程中，往往是混合使用——外层用指令流做控制，内层用数据流做计算。比如 GPU 就是典型的混合架构：线程调度是指令流，SIMT 单元内部是数据流。
好了，这一章的内容就这些。静态数据流的概念是后面所有章节的基础——权重压缩、稀疏计算、流水线优化，都离不开这张图。你先把数据流图的基本概念吃透，后面咱们再聊怎么把权重塞进去。