VIP20

本课程属于：016-NPU算子映射 AI算力与GPU工程 · 共 20 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

存算一体算子映射优化攻略

📚 共计 30 章节

存算一体技术概述

从冯·诺依曼瓶颈到存算一体，技术演进路线与核心优势。

演进核心优势

算子映射基础

什么是算子映射？映射流程与关键挑战。

映射流程挑战

硬件架构概览

主流存算一体芯片架构（近存计算、存内计算）及其对映射的影响。

近存计算存内计算

计算原语与数据流

常用算子（矩阵乘、卷积、激活函数）的存算一体实现方式。

矩阵乘卷积激活

数据布局策略

权重与激活值在存储阵列中的摆放策略，行/列映射原则。

数据布局行/列映射

数据复用与带宽优化

输入特征图、权重的复用模式，如何减少数据搬运。

数据复用带宽优化

流水线调度

算子间与算子内的流水线设计，解决数据依赖与气泡问题。

流水线气泡

并行度分析

计算并行度与存储并行度的匹配，如何避免计算单元闲置。

并行度负载均衡

精度与量化

定点化、混合精度对映射的影响，量化感知的映射策略。

量化混合精度

映射空间搜索

基于图搜索、动态规划或启发式算法的映射空间探索。

图搜索动态规划

编译器前端

算子图解析、IR（中间表示）设计与优化通道。

编译器后端

代码生成、指令调度与硬件适配层。

代码生成指令调度

模拟器与性能评估

Cycle-accurate模拟器搭建，性能与功耗建模。

模拟器功耗建模

典型算子映射案例(一)

全连接层映射详解。

全连接映射详解

典型算子映射案例(二)

卷积层映射详解（im2col、Winograd等）。

卷积im2colWinograd

典型算子映射案例(三)

注意力机制（Self-Attention）映射详解。

注意力Self-Attention

典型算子映射案例(四)

循环神经网络（RNN/LSTM）映射详解。

多核与多芯片映射

跨核、跨芯片的任务划分与数据同步。

多核数据同步

动态性与稀疏性

处理动态形状、稀疏矩阵的映射优化技巧。

动态形状稀疏

自动化映射工具链

从手动调优到自动化搜索的演进。

自动化工具链

映射与编译的联合优化

编译时信息反馈指导映射决策。

联合优化编译反馈

硬件约束建模

面积、功耗、带宽、延迟约束下的映射优化。

约束建模面积/功耗

映射鲁棒性

工艺偏差、噪声环境下的映射容错设计。

鲁棒性容错

映射性能分析

Profiling工具与性能瓶颈定位方法。

Profiling瓶颈定位

映射优化案例实战(一)

ResNet-50在存算一体芯片上的映射优化。

ResNet-50实战

映射优化案例实战(二)

BERT模型在存算一体芯片上的映射优化。

BERT映射优化

映射优化案例实战(三)

YOLOv5在存算一体芯片上的映射优化。

YOLOv5目标检测

存算一体与3D集成、光计算、模拟计算的融合。

3D集成光计算

开源工具与生态

介绍Timeloop、Accelergy等开源映射工具。

TimeloopAccelergy

课程总结与展望

存算一体算子映射的未来方向与挑战。

未来方向挑战