1、两大图灵奖得主力作：计算机架构的新黄金时代

本文《计算机架构的新黄金时代》是两人于 2019 年发表的文章，完整介绍了计算机芯片的发展历程，以及所有架构的未来趋势，值得所有希望了解硬件架构的人阅读。

链接：

https://mp.weixin.qq.com/s/5ruauCn1vQswyo7lIrp6BQ

2、黄仁勋口述：英伟达的发展之道和星辰大海

从进军深度学习的背后故事出发，他总结了英伟达所做的三件大事，并且分享了过去几十年里积累的管理经验，还介绍了为什么需要一个遵循物理定律的虚拟世界，以便将AI带入下一个时代，而这也是他们构建全宇宙（Omniverse）的原因。此外，他还分析了关于量子计算、奇点以及MLOPs重要性的见解。

链接：

https://mp.weixin.qq.com/s/S4A-6mgTkzSVQPE7M238GQ

3、Ivy 开源，深度学习大一统时代到来？

最近，有一个开源的框架：IVY，它将几个主流的深度学习框架都做了一个统一的封装，包括 PyTorch、TensorFlow、MXNet、Jax 和 Numpy。

链接：

https://zhuanlan.zhihu.com/p/464419831

3.5、机器学习编译器：MLIR Dialect体系

今天对 MLIR 做进一步展开，分析一下机器学习相关的 dialect 体系。值得注意的是，MLIR 是一个编译器基础设施，它可以用来编写各种领域专用编译器，并不限于机器学习。不过机器学习确实是 MLIR 得到最活跃开发和应用的领域，尤其是用来转换各种 ML 模型，以及支持各种异构硬件。

链接：

https://mp.weixin.qq.com/s/hEt4BSPMP1WWuHFMEbICqw

4、一点关于动静统一的随想

这几天因为一直在写样例，主要都在参考Pytorch的实现，也不可避免地再次遇到了动静态图的差异造成的一些问题。加上MindSpore最近又在静态图语法支持上有了一些进展，但是在易用性上并没有那么明显的提升，进而引发了想写这篇文章的冲动。

链接：

https://zhuanlan.zhihu.com/p/477791121

 

5、专用架构与AI软件栈（6）

上次讲了算子编译器，这次聊一聊图编译，以及现在被很多做硬件的人所看好的scale-out演进道路。

https://zhuanlan.zhihu.com/p/474668889

 

6、跳票了很长时间的MindSpore1.6

MindSpore1.6的一些大的改进：1、完善了静态图的控制流，支持副作用，灵活的微分；2、端边云的异构运行时全部统一；3、初步构建JIT Fallback的基础架构；4、自定义算子能力全面升级，统一Custom接口帮助用户高效添加算子

链接：https://zhuanlan.zhihu.com/p/478547185

 

7、TorchRec，一个用于推荐系统的库

TorchRec是一个用于推荐系统的 PyTorch 库。这个新库提供了通用的稀疏性和并行性原语，使研究人员能够构建最先进的个性化模型并将其部署到生产中。

链接：https://pytorch.org/blog/introducing-torchrec/

 

8、ZenML：可扩展的开源MLOps框架

用于创建可用于生产的机器学习管道。

链接：: github.com/zenml-io/zenml

 

9、TensorPipe介绍(3)——Pytorch RPC框架设计与实现

本篇是TensorPipe系列的最后一篇博客，我们主要专注于研究Pytorch是如何基于TensorPipe构建自己的RPC框架的。研究完这些内容后，我深深的被Pytorch内部一些机制实现的高效与优雅所触动，以至于情不自禁的在TensorPipe的项目下感叹了一番这是个多么优秀的项目。

链接：

https://zhuanlan.zhihu.com/p/474611070

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除