中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
TVM編譯器原理與實踐 版權信息
- ISBN：9787111739128
- 條形碼：9787111739128 ; 978-7-111-73912-8
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
TVM編譯器原理與實踐 本書特色
人工智能（Artificial Intelligence，AI）已經在全世界信息產業中獲得廣泛應用。深度學習模型推動了AI技術革命，如 TensorFlow、PyTorch、MXNet、Caffe等。大多數現有的系統框架只針對小范圍的服務器級 GPU進行過優化，因此需要做很多的優化努力，以便在汽車、手機端、物聯網設備及專用加速器（FPGA、ASIC）等其他平臺上部署。隨著深度學習模型和硬件后端數量的增加，TVM構建了一種基于中間表示 (IR)的統一解決方案。TVM不僅能自動優化深度學習模型，還提供了跨平臺的高效開源部署框架。大模型的熱度逐漸上升，將人工智能理論及算法框架轉為落地項目實現，TVM是一個很好的橋梁。因此，本書將得到廣大讀者的喜愛。
TVM編譯器原理與實踐 內容簡介
TVM（Tensor Virtual Machine, 張量虛擬機）是一種開源的模型編譯框架，旨在將機器學習模型自動編譯成可供下層硬件執行的機器語言，從而利用多種類型的算力。其工作原理是，先將深度學習模型進行優化推理、內存管理與線程調度，再借用LLVM框架將模型部署在CPU、GPU、FPGA、ARM等硬件設備上。 本書全面解析TVM的主要功能，幫助讀者理解TVM工作原理，以及使用 TVM對深度學習與機器學習進行優化與部署。 本書結合作者多年的工作與學習經驗，力求將TVM基礎理論與案例實踐融合在一起進行詳細講解。全書共9章，包括TVM基本知識，使用TVM開發，算子融合與圖優化，TVM量化技術，TVM 優化調度，Relay IR，代碼生成，后端部署與OpenCL（Open Computing Language，開放運算語言），自動調度、自動搜索與成本模型。各章除了包含重要的知識點和實踐技能外，還配備了精心挑選的典型案例。 本書適合從事AI算法、軟件、編譯器開發以及硬件開發等專業的工程技術人員、科研工作人員、技術管理人員閱讀，也可以作為編譯器相關專業高校師生的參考用書。
TVM編譯器原理與實踐 目錄
第1章 TVM基本知識/
1.1TVM基本原理/
1.1.1TVM概述/
1.1.2TVM 模型優化部署概述/
1.2TVM編譯過程/
1.2.1編譯流程/
1.2.2TVM編譯數據結構/
1.2.3TVM編譯數據處理/
1.2.4TVM的Pass過程/
1.3TVM開源工程邏輯架構/
1.3.1代碼庫代碼結構/
1.3.2代碼自動內核/
1.4TVM應用支持/
1.4.1TVM的工作流程/
1.4.2支持多語言與多平臺/
1.4.3TVM應用場景/
1.4.4TVM優化模型推理/
1.4.5TVM編譯器與運行時組件/
1.4.6TVM運行時主要模塊/
1.4.7TVM簡單代碼生成編譯示例/
1.4.8TVM各模塊之間的關系/
1.5TVM特色與挑戰/
1.5.1TVM特色/
1.5.2支持多種后端設備/
1.5.3TVM應對的挑戰/
第2章 使用TVM開發/
2.1配置TVM環境/
2.1.1apache TVM源碼下載/
2.1.2配置TVM的開發環境/
2.1.3TVM conda環境使用方法/
2.1.4編譯實現/
2.1.5導入模型方法/
2.2在conda環境編譯優化TVM yolov3示例/
2.3Python與C 的調用關系/
2.3.1TVM中底層C 數據結構/
2.3.2進行函數注冊/
2.3.3上層Python調用/
2.4TVM自定義代碼示例/
2.4.1TVM如何添加代碼/
2.4.2TVM代碼生成實現示例/
2.5用TVM實現算法全流程/
2.5.1配置張量與創建調度/
2.5.2進行降級算子優化/
2.5.3構建host目標程序/
2.5.4實現后端代碼生成/
第3章 算子融合與圖優化/
3.1算子概述/
3.1.1TVM融合組件示例/
3.1.2優化計算圖/
3.2圖GCN融合/
3.2.1圖的概念/
3.2.2深度學習新特征/
3.3圖融合GCN示例/
3.3.1GCN的PyTorch實現/
3.3.2融合BN與Conv層/
3.4TVM圖優化與算子融合/
3.4.1圖與算子優化/
3.4.2自定義算子/
3.4.3算子融合步驟/
3.4.4向Relay中添加operator/
3.5端到端優化/
3.5.1 AI框架概述/
3.5.2計算圖優化層/
3.5.3TVM算子融合的4種方法/
3.5.4數據布局轉換/
3.5.5張量表達式語言/
3.5.6調度空間分析/
3.6 TVM圖優化與算子融合方案分析/
3.6.1圖優化框架分析/
3.6.2TVM優化基礎分析/
3.6.3TVM優化參數/
3.6.4算子優化圖示/
3.6.5自定義圖級優化/
3.7支配樹技術/
3.7.1支配樹概述/
3.7.2算子融合方案及示例/
3.8控制流與優化器/
3.8.1控制流/
3.8.2優化器/
3.9TVM存儲與調度/
3.9.1TVM編譯器優化/
3.9.2圖結構基本優化/
3.9.3張量計算/
3.10多功能張量加速器VTA/
3.10.1VTA-TVM 硬件-軟件堆棧/
3.10.2VTA主要功能/
3.10.3VTA示例/
3.10.4VTA計算模塊/
3.10.5VTA控制/
3.10.6microTVM模型/
3.11TVM代碼庫結構與示例/
3.11.1代碼庫結構/
3.11.2張量添加示例/
3.12主機驅動的執行/
3.12.1 firmware二進制文件/
3.12.2計算聲明/
3.12.3數據平鋪/
3.12.4卷積運算/
3.12.5空間填充/
第4章 TVM量化技術/
4.1TVM量化概述/
4.1.1TVM量化現狀/
4.1.2TVM量化原理/
4.2int8量化與TVM執行/
4.2.1兩種主要量化方案/
4.2.2int8量化原理分析/
4.2.3KL散度計算/
4.2.4實現int8量化/
4.3低精度訓練與推理/
4.4NN量化/
4.4.1神經網絡量化概述/
4.4.2優化數據與網絡/
4.4.3前向推理與反向傳播/
4.5熵校準示例/
4.6TVM量化流程/
4.6.1Relay的兩種并行量化/
4.6.2Relay優化Pass方法/
4.6.3量化處理硬件說明/
4.6.4閾值估計方案/
4.6.5模擬量化誤差/
4.6.6尺度計算/
4.6.7數據類型分配/
4.6.8數據類型分配日志/
4.6.9神經網絡低精度量化/
4.7TVM量化程序分析/
第5章 TVM優化調度/
5.1TVM 運行時系統/
5.1.1TVM 運行時系統框架/
5.1.2PackedFunc編譯與部署/
5.1.3構建 PackedFunc模塊/
5.1.4遠程部署方法/
5.1.5TVM 對象與編譯器分析/
5.2自動微分靜態圖與動態圖/
5.2.1計算圖分類/
5.2.2動態圖實現示例/
5.3機器學習自動微分/
5.3.1微分方法/
5.3.2手動微分/
5.3.3數值微分/
5.3.4符號微分/
5.3.5自動微分/
5.3.6自動微分實現示例/
5.4稀疏矩陣分析/
5.4.1稀疏矩陣概念/
5.4.2稀疏矩陣優化/
5.4.3特定矩陣壓縮存儲/
5.4.4稀疏矩陣實現示例/
5.5TVM張量計算分析/
5.5.1生成張量運算/
5.5.2嵌套并行與協作/
5.5.3張量化計算/
5.5.4顯式內存延遲隱藏/
第6章 Relay IR/
6.1TVM數據介紹/
6.1.1TVM模塊框架介紹/
6.1.2Relay IR原理簡介/
6.1.3構建計算圖/
6.1.4let綁定與作用域/
6.2IR代碼生成/
6.2.1前端優化/
6.2.2節點優化/
6.2.3代數優化/
6.2.4數據流級別的優化/
6.3在Relay中注冊算子/
6.3.1添加節點，定義編譯參數/
6.3.2運算類型關系分析/
6.3.3在C 中進行RELAY_REGISTER_OP宏注冊/
6.3.4算子注冊與調度/
6.3.5注冊函數API分析/
6.3.6將Python API打包/
6.3.7單元測試分析/
6.4TVM中IR示例/
6.4.1IRModule技術分析/
6.4.2TVM Runtime（運行時）分析/
6.4.3預測部署實現/
6.4.4動態圖實現/
1.1TVM基本原理/
1.1.1TVM概述/
1.1.2TVM 模型優化部署概述/
1.2TVM編譯過程/
1.2.1編譯流程/
1.2.2TVM編譯數據結構/
1.2.3TVM編譯數據處理/
1.2.4TVM的Pass過程/
1.3TVM開源工程邏輯架構/
1.3.1代碼庫代碼結構/
1.3.2代碼自動內核/
1.4TVM應用支持/
1.4.1TVM的工作流程/
1.4.2支持多語言與多平臺/
1.4.3TVM應用場景/
1.4.4TVM優化模型推理/
1.4.5TVM編譯器與運行時組件/
1.4.6TVM運行時主要模塊/
1.4.7TVM簡單代碼生成編譯示例/
1.4.8TVM各模塊之間的關系/
1.5TVM特色與挑戰/
1.5.1TVM特色/
1.5.2支持多種后端設備/
1.5.3TVM應對的挑戰/
第2章 使用TVM開發/
2.1配置TVM環境/
2.1.1apache TVM源碼下載/
2.1.2配置TVM的開發環境/
2.1.3TVM conda環境使用方法/
2.1.4編譯實現/
2.1.5導入模型方法/
2.2在conda環境編譯優化TVM yolov3示例/
2.3Python與C 的調用關系/
2.3.1TVM中底層C 數據結構/
2.3.2進行函數注冊/
2.3.3上層Python調用/
2.4TVM自定義代碼示例/
2.4.1TVM如何添加代碼/
2.4.2TVM代碼生成實現示例/
2.5用TVM實現算法全流程/
2.5.1配置張量與創建調度/
2.5.2進行降級算子優化/
2.5.3構建host目標程序/
2.5.4實現后端代碼生成/
第3章 算子融合與圖優化/
3.1算子概述/
3.1.1TVM融合組件示例/
3.1.2優化計算圖/
3.2圖GCN融合/
3.2.1圖的概念/
3.2.2深度學習新特征/
3.3圖融合GCN示例/
3.3.1GCN的PyTorch實現/
3.3.2融合BN與Conv層/
3.4TVM圖優化與算子融合/
3.4.1圖與算子優化/
3.4.2自定義算子/
3.4.3算子融合步驟/
3.4.4向Relay中添加operator/
3.5端到端優化/
3.5.1 AI框架概述/
3.5.2計算圖優化層/
3.5.3TVM算子融合的4種方法/
3.5.4數據布局轉換/
3.5.5張量表達式語言/
3.5.6調度空間分析/
3.6 TVM圖優化與算子融合方案分析/
3.6.1圖優化框架分析/
3.6.2TVM優化基礎分析/
3.6.3TVM優化參數/
3.6.4算子優化圖示/
3.6.5自定義圖級優化/
3.7支配樹技術/
3.7.1支配樹概述/
3.7.2算子融合方案及示例/
3.8控制流與優化器/
3.8.1控制流/
3.8.2優化器/
3.9TVM存儲與調度/
3.9.1TVM編譯器優化/
3.9.2圖結構基本優化/
3.9.3張量計算/
3.10多功能張量加速器VTA/
3.10.1VTA-TVM 硬件-軟件堆棧/
3.10.2VTA主要功能/
3.10.3VTA示例/
3.10.4VTA計算模塊/
3.10.5VTA控制/
3.10.6microTVM模型/
3.11TVM代碼庫結構與示例/
3.11.1代碼庫結構/
3.11.2張量添加示例/
3.12主機驅動的執行/
3.12.1 firmware二進制文件/
3.12.2計算聲明/
3.12.3數據平鋪/
3.12.4卷積運算/
3.12.5空間填充/
第4章 TVM量化技術/
4.1TVM量化概述/
4.1.1TVM量化現狀/
4.1.2TVM量化原理/
4.2int8量化與TVM執行/
4.2.1兩種主要量化方案/
4.2.2int8量化原理分析/
4.2.3KL散度計算/
4.2.4實現int8量化/
4.3低精度訓練與推理/
4.4NN量化/
4.4.1神經網絡量化概述/
4.4.2優化數據與網絡/
4.4.3前向推理與反向傳播/
4.5熵校準示例/
4.6TVM量化流程/
4.6.1Relay的兩種并行量化/
4.6.2Relay優化Pass方法/
4.6.3量化處理硬件說明/
4.6.4閾值估計方案/
4.6.5模擬量化誤差/
4.6.6尺度計算/
4.6.7數據類型分配/
4.6.8數據類型分配日志/
4.6.9神經網絡低精度量化/
4.7TVM量化程序分析/
第5章 TVM優化調度/
5.1TVM 運行時系統/
5.1.1TVM 運行時系統框架/
5.1.2PackedFunc編譯與部署/
5.1.3構建 PackedFunc模塊/
5.1.4遠程部署方法/
5.1.5TVM 對象與編譯器分析/
5.2自動微分靜態圖與動態圖/
5.2.1計算圖分類/
5.2.2動態圖實現示例/
5.3機器學習自動微分/
5.3.1微分方法/
5.3.2手動微分/
5.3.3數值微分/
5.3.4符號微分/
5.3.5自動微分/
5.3.6自動微分實現示例/
5.4稀疏矩陣分析/
5.4.1稀疏矩陣概念/
5.4.2稀疏矩陣優化/
5.4.3特定矩陣壓縮存儲/
5.4.4稀疏矩陣實現示例/
5.5TVM張量計算分析/
5.5.1生成張量運算/
5.5.2嵌套并行與協作/
5.5.3張量化計算/
5.5.4顯式內存延遲隱藏/
第6章 Relay IR/
6.1TVM數據介紹/
6.1.1TVM模塊框架介紹/
6.1.2Relay IR原理簡介/
6.1.3構建計算圖/
6.1.4let綁定與作用域/
6.2IR代碼生成/
6.2.1前端優化/
6.2.2節點優化/
6.2.3代數優化/
6.2.4數據流級別的優化/
6.3在Relay中注冊算子/
6.3.1添加節點，定義編譯參數/
6.3.2運算類型關系分析/
6.3.3在C 中進行RELAY_REGISTER_OP宏注冊/
6.3.4算子注冊與調度/
6.3.5注冊函數API分析/
6.3.6將Python API打包/
6.3.7單元測試分析/
6.4TVM中IR示例/
6.4.1IRModule技術分析/
6.4.2TVM Runtime（運行時）分析/
6.4.3預測部署實現/
6.4.4動態圖實現/
展開全部
TVM編譯器原理與實踐 作者簡介
吳建明，上海交通大學模式識別與智能系統專業博士畢業。長期從事人工智能芯片設計，尤其擅長TVM/LLVM編譯器、AI框架、自動駕駛、芯片制造，嵌入式系統等領域的理論研究與技術創新。長期在一線工作，包括產品設計與代碼實現等，主持和參與過30多項產品的研發。還參與過國家自然科學基金、上海市科委項目，并在核心期刊公開發表過8篇論文，其中6篇是第一作者。
書友推薦
- >
月亮與六便士
- >
上帝之肋:男人的真實旅程
- >
二體千字文
- >
我與地壇
- >
苦雨齋序跋文-周作人自編集
- >
回憶愛瑪儂
- >
隨園食單
- >
姑媽的寶刀
本類暢銷
