作者 | 小O妹 来源 | Tengine开发者社区
近年来，以机器学习、深度学习为核心的AI技术得到迅猛发展，深度神经网络在各行各业得到广泛应用：
CV（计算机视觉）：目标检测，场景识别，图像分割等。
智慧语音：语音识别，声纹识别等。
NLP（自然语言处理）：自动搜索引擎，对话服务机器人，文本分类，智能翻译等。
科学研究：应用于物理、生物、医学等多研究领域。高能粒子对撞分类，宇宙天体图数据分析，星系形状建模，生物结构的蛋白质折叠预测，精准医疗与疾病预测。
这些应用催生更多的新模型出现：CNN, RNN, LSTM, GAN, GNN，也催生着如Tensorflow, Pytorch, Mxnet, Caffe等深度学习框架出现。目前训练框架开始收敛，逐步形成了PyTorch引领学术界，TensorFlow主导工业界的一个双雄局面。
但是，深度学习算法要实现落地应用，必须被部署到硬件上，例如Google的TPU、华为麒麟NPU，以及其他在FPGA上的架构创新。
这些各训练框架训练出来的模型要如何部署到不同的终端硬件呢，这就需要深度学习神经网络编译器来解决。
在神经网络编译器出现之前，我们使用的是传统编译器。
下面是文章的主要内容，感兴趣可以戳原文了解：
传统编译器和神经网络编译器 TVM的前世今生 Halide AutoKernel
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
评论
沙发等你来抢