VIP6
本课程属于：146-MLIR与LLVM编译器开发 AI智能与边缘计算工程 · 共 6 门相关课程，组合学习更完整。
查看所属VIP全部课程 →
← 返回所属目录 咨询 / 购买

PyTorch/ONNX到MLIR转换实战

共计 30 章节
可可资料掘金营 · 点击在线试看
01
课程导入
目标=PyTorch · ONNX · MLIR 三者的关系与转换价值
课程导入PyTorch
02
PyTorch 模型基础
目标=nn.Module · 动态图与 TorchScript · 模型导出前的准备与常见注意事项
PyTorch模型基础
03
ONNX 核心概念
目标=计算图 · 算子集 · 张量类型
ONNX核心概念
04
PyTorch 到 ONNX 导出实战
目标=torch.onnx.expo… · 动态轴设置 · 自定义算子处理与导出验证
PyTorchONNX
05
ONNX 模型检查与优化
目标=onnx.checker · onnx.shape_inferen… · onnxsim 简化与常量折叠
ONNX模型检查
06
MLIR 入门
目标=MLIR 设计哲学 · 方言体系 · 模块与操作
MLIR目标=
07
MLIR 核心基础设施
目标=Pass 管理 · Pattern Rewrite · Dialect Conversion
MLIR核心基础设施
08
ONNX 到 MLIR 转换概览
目标=ONNX Dialect · 转换流程 · 前端导入与中间表示选择
ONNXMLIR
09
使用 onnx-mlir 编译 ONNX
目标=环境安装 · 命令行工具 · 端到端编译与执行
onnx-mlirONNX
10
Torch-MLIR 项目介绍
目标=Torch Dialect · TorchScript 导入 · 与 PyTorch 生态的衔接
Torch-MLIR项目介绍
11
PyTorch 到 MLIR 直接转换
目标=torch-mlir 的 to… · fx 前端与稳定路径对比
PyTorchMLIR
12
MLIR 中的张量计算表示
目标=linalg · tensor · arith
MLIR张量计算表示
13
算子映射与语义对齐
目标=PyTorch/ONNX 算子… · 广播 · 类型提升与边界情况
算子映射语义对齐
14
动态形状处理
目标=动态维度 · shape 推导 · 动态 reshape 与运行时形状约…
动态形状处理目标=动态维度
15
控制流转换
目标=if · loop · while 等控制流在 ONNX 与…
控制流转换if
16
自定义算子与扩展
目标=PyTorch 自定义算子导出… · ONNX 自定义域与 MLIR 自定…
自定义算子扩展
17
量化模型转换
目标=PyTorch 量化 · ONNX QDQ 格式 · MLIR 量化方言与量化 lower…
量化模型转换PyTorch
18
转换中的常见错误与调试
目标=导出失败 · 算子不支持 · 类型不匹配
转换常见错误
19
MLIR Pass 编写实战
目标=编写自定义 Pass 优化转换… · 如算子融合 · 常量传播与死代码消除
MLIRPass
20
性能分析与调优
目标=使用 MLIR 工具进行 IR… · 性能瓶颈定位与转换后模型优化
性能分析调优
21
端到端案例一
目标=图像分类模型从 PyTorch…
端到端案例一PyTorch
22
端到端案例二
目标=目标检测或分割模型的转换挑战 · 动态输入处理与多输出支持
端到端案例二目标=目标检测或…
23
端到端案例三
目标=NLP 模型（如 Transf… · 注意力算子映射与长序列处理
端到端案例三NLP
24
多后端部署
目标=将 MLIR 转换结果 low… · GPU · NPU 等后端并执行
多后端部署MLIR
25
与推理引擎集成
目标=MLIR 转换结果接入 ONN… · TVM · IREE 等运行时的方法
推理引擎集成MLIR
26
自动化转换流水线
目标=构建从 PyTorch 到 M… · 版本兼容与回归测试
自动化转换流水线PyTorch
27
模型精度与数值一致性
目标=转换前后数值对比 · 误差来源分析与精度保障策略
模型精度数值一致性
28
前沿进展与生态
目标=MLIR 新方言 · PyTorch 2.0 编译栈 · TorchInductor 与转换技…
前沿进展生态
29
综合项目实战
目标=设计并实现一个完整的模型转换工… · 支持多模型 · 多后端与可视化
综合项目实战目标=设计并实现…
30
课程总结与进阶路线
目标=知识体系回顾 · 常见陷阱总结 · 学习资源与后续深入研究方向
课程总结进阶路线