2021-08-05.md

layout
default

嵌入式AI简报 (2021-08-05)：ncnn适配国产CPU/谷歌手机芯片/旷视YOLOX/OpenAI Triton/用MLIR优化GEMM/多GPU通信优化

关注模型压缩、低比特量化、移动端推理加速优化、部署

导读：【新闻】ncnn携手龙芯和全志完成对risc-v与mips架构的国产cpu适配，OpenAI开源GPU编程语言简化难度同时支持A卡和N卡，谷歌手机芯片 Tensor 发布内部代号Whitechapel/GS101，Arm China 宣布首个智能计算产业技术创新联合体成立；【论文】旷视YOLOX超越一切现有版本YOLO，MSRA 准确预测 DNN 模型在不同边缘设备上的推理延迟，京东 AI 开源最强 ResNet 变体 CoTNet；【开源】mindspore发布1.3版本增强大模型支持与X86 CPU推理能力等，可跑大模型减小GPU内存消耗的TorchShard，谷歌更新实时姿态检测项目tfjs-models含人体关键点等模型，金山WPS开源办公AI框架KSAI-Lite支持移动端离线设备的文本检测/分类/识别；【博文】Tengine之如何添加算子更好支持ONNX模型等，来自旷视的FastRun优选算子提升训练推理性能，壁仞科技的基于MLIR实现GEMM编译优化，商汤的深度学习框架的通信实现与优化策略。

好了，先是一些热身小新闻ヽ(✿゜▽゜)ノ：

• 联发科：新款移动计算平台迅鲲（Kompanio） 1300T。采用台积电 6nm ，4xaA78 + 4x@A55 + Mali-G77 MC9，搭载 HyperEngine 3.0 游戏引擎。还集成APU 3.0 AI单元，提供支持智能语音(语音助手/超低功耗语音唤醒/多款音效框架)、视觉应用，首款搭载迅鲲 1300T 的平板电脑可能是 8 月 12 日将发布的荣耀平板 V7 Pro；
• 高通：正研发一款 SM8450 的芯片代号为 Waipio ，将是骁龙 888 真正的迭代更新即骁龙 895 或 898，将采用三星 4nm 工艺，CPU 由 [email protected] + 3xA710 + 2xA510@high + 2xA510@low 组成；
• 台积电：Q2财报发布后，股价大跌5.5%，市值蒸发2300亿。原因是失去华为麒麟芯片的代工订单导致利润下滑。同时因为失去华为抢占产能，苹果可以选择三星和台积电，打压台积电订单价格，导致台积电利润进一步下滑。今年 2 月董事会通过将斥资 28 亿美元扩建月产4万片的28纳米产能的南京厂，但美方施压下，预计明年下半年开始量产；
• 龙芯中科：首款自主架构 LoongArch 的处理器 3A5000 发布，LoongArch 从顶层架构，到指令功能和ABI标准等全自主，满足兼容生态、跨指令平台应用的需求，处理器主频2.3GHz-2.5GHz，4核心，每核心为 64 位超标量 GS464V 自主微结构，包含4个定点单元、2个256位向量运算单元和2个访存单元；国内第三方测试其在GCC编译环境下运行SPEC CPU2006的定点、浮点单核Base分值均达到26分以上，四核分值达到80分以上；
• Nvidia：收购 Arm 再延迟。但 Arm CEO Simon Segars 说：“Arm 没有进行 IPO 计划，我们 100% 专注于完成这笔交易”，此前他曾公开反对上市，认为 Arm 需要更多投资来扩展到数据中心和人工智能领域，而这作为上市公司是不可能的。本月初，Segars 先生写道：“Arm 和 Nvidia 的合并比 IPO 更好。引领人工智能所需的投资水平将是前所未有的”；
• Arm: 推出PlasticArm柔性芯片，早在 2015 年时由于技术限制仅是概念，现已准备规模生产，成本低于同类硅芯片；
• GlobalFoundries：CEO Tom Caulfield表示，该公司坚持明年IPO计划，有关成为英特尔公司收购目标的报道只是猜测。格芯是阿布扎比财团投资部门的一家芯片制造商； – Imagination：宣布任命白农（Wallace Pai）担任中国区董事长，深化中国市场战略，在战略、销售与业务合作方面有丰富经验，后者曾在中芯国际/格芯担任副总或高管，在三星/谷歌/高通/Cadence/Intel担管理等；
• 苹果：正在加快自研芯片的进度，其打算在2022年完成旗下电脑产品都使用自家处理器的计划。下一代产品 M2 将支持更多雷雳通道，有更多 CPU核心、GPU核心，多外接显示器支持，包括10核CPU（8个高性能核心，2个高能效核心），以及16核或32核 GPU 设计，最高支持64GB内存；
• 3dfx Interactive：将在时隔 20 年后重回市场，定于 8 月 5 日对外公布重要消息；
• 芯原：2021上半年净利润-0.46亿元，2021Q2净利润0.23亿元，芯片设计业务收入大涨，芯片量产业务和 IP 授权业务规模效应开始显现；与浙江大学-芯原智能图形处理器联合研究中心正式揭牌，目前已经在GPU的空间架构、光线追踪等方面取得一些进展；
• Canalys：发布全球Q2智能手机市场份额的报告，小米市场份额 17%，智能手机销量超越了苹果，晋升全球第二；
• Intel：在欧盟多国游说，拟投资 200 亿美元建芯片工厂，希望获得财政和政治支持。预计将在今年年底完成 8 个选址工作；宣布其旗下的工厂将开始制造高通芯片，并公布了公司有史以来最详细的制程工艺和封装技术路线图，希望在 2025 年前赶上台积电、三星电子，将为 AWS、高通代工芯片，AWS 将成为首个使用英特尔代工服务（IFS）封装解决方案的客户，高通也将采用 Intel 20A 制程工艺技术。英特尔还将采用下一代高数值孔径（High-NA）EUV 技术；
• Cadence Design：CEO Lip-Bu Tan 将于 2021 年 12 月 15 日转任执行董事长，届时 Anirudh Devgan 将接任 CEO 职位。Devgan 一直负责监督所有研发、销售和现场工程以及企业战略、营销和业务发展团队，当中还包括并购，并推动了技术和产品路线图，是公司当前行业领先解决方案背后多项突破性创新的架构师；
• AMD：2021Q2 财报营业额同比增长 99% 毛利润增至 48%，营业额为 38.5 亿美元，经营收入为 8.31 亿美元，净收入为 7.1 亿美元，摊薄后每股收益为 0.58 美元。非 GAAP 经营收入为 9.24 亿美元，净收入为 7.78 亿美元，摊薄后每股收益为 0.63 美元。主要得益于计算与图形事业部及企业、嵌入式和半定制事业部的较高营业额；
• 华米：推出了新一代双核 RISC-V 架构可穿戴芯片黄山 2S，双核+ 2.5D GPU 加持，可让手表上 UI 界面达到 60Hz 刷新率。其搭载的卷积神经网络加速处理单元，可以迅速识别疾病类型；在处理房颤识别任务时，识别速度是纯软件计算的 26 倍；
• 地平线：征程 5 芯片发布，单颗芯片 AI 算力最高可达 128 TOPS（只谈算力呵呵系列），支持 16 路摄像头感知计算，成为国内首颗完全符合 ISO 26262 功能安全流程开发的车规级 AI 芯片；
• 黑芝麻：华山二号A1000 Pro自动驾驶芯片成功流片，国内唯一推出两款满足 ISO26262 车规功能安全标准的高算力自动驾驶芯片厂商，其中基于车规级图像处理器NeuralIQ ISP以及DynamAI NN车规级低功耗神经网络加速引擎打造，得益于DynamAI NN大算力架构，A1000 Pro支持INT8稀疏加速，算力达到 106 TOPS，最高可达 196 TOPS；
• 腾讯: 在招聘官网出现多个芯片研发岗位信息，包括芯片架构师、芯片验证工程师、芯片设计工程师等，工作地点可选北京、上海、深圳等。腾讯相关人士回应称，在特定的领域如 AI 加速和视频编解码有在做技术尝试，非通用芯片；
• 芯驰：宣布完成近 10 亿元 B 轮融资。本轮融资由普罗资本旗下国开装备基金与云晖资本联合领投，董事长张强表示融资将用于更先进制程芯片的研发，实现更好的性能和功耗表现，推动智能驾驶更快落地；
• 酷芯：首发全新一代 AR93XX 系列高性能 AI SoC，集成自研 900 万像素 ISP 和 4T 算力 NPU 等 IP，并展出与合作伙伴开发智慧解决方案。结合 4K@60fps 编解码，单核 CEVA XM6 高性能 DSP，4 核 ARM Cortex-A53，自研 SoC 架构，综合处理能力宣称业界最优。

注：个别链接打不开，请点击文末【阅读原文】跳转。

业界新闻

• 腾讯优图ncnn新版本适配国产CPU，最高速度提升70倍 | 腾讯优图实验室
  摘要：作为腾讯优图实验室推出的首个高性能神经网络前向计算开源框架，ncnn近期在国产CPU龙芯和D1上进行了较为全面的适配和性能优化，ncnn携手龙芯和全志科技，共同打通了AI应用和国产CPU硬件间的壁垒。其中，龙芯是中国科学院计算所自主研发的通用CPU，采用自主LoongISA指令系统，兼容MIPS指令，而 D1 是全志科技首款基于RISC-V指令集的芯片，集成了阿里平头哥64位C906核心，支持RVV。
  本次ncnn更新的20210720版本，完成了risc-v与mips架构cpu的适配，并利用risc-v vector与mips msa矢量加速扩展指令集，优化了绝大多数常用算子的性能。在ncnn附带的benchmark测试中，ncnn在龙芯CPU上速度提升最高18.64倍，在D1上速度提升最高70倍，满足了AI端侧推理部署的基本需求。
• openai/triton：在CUDA的天下，OpenAI开源GPU编程语言Triton，将同时支持N卡和A卡 | 机器之心
  标题：Triton: An Intermediate Language and Compiler for Tiled Neural Network Computations
  链接：http://www.eecs.harvard.edu/~htk/publication/2019-mapl-tillet-kung-cox.pdf
  摘要：OpenAI 推出 Triton 1.0，这是一种类 Python 的开源编程语言。即使没有 CUDA 经验的研究人员，也能够高效编写 GPU 代码。例如，它可以用不到 25 行代码写出与 cuBLAS 性能相匹配的 FP16 矩阵乘法内核，后者是许多专业的 GPU 编程者尚且无法做到的。出于对泛用能力的考量，Triton 不会自动调度跨流处理器的工作，而是将一些重要的算法考虑因素（例如 tiling、SM 间同步）留给开发者自行决定。此外，OpenAI 的研究者已经使用 Triton 成功生成了比 PyTorch 同类实现效率高 2 倍的内核。
• 谷歌 CEO 晒自研手机芯片 Tensor：首发于今年秋季谷歌旗舰手机 Pixel 6 和 6 Pro | 芯东西
  摘要：Pixel 系列手机首次弃用高通骁龙芯片，Tensor芯片基本围绕 AI 设计而打造，对 AI 运算和安全性优化，增强计算摄影表现，并在语音命令、机器翻译、字幕和听写等功能方面提供更快响应。据研发团队透露，其设计与谷歌之前为数据中心设计的芯片类似，Tensor 芯片因其强大的计算能力，可以直接在手机设备上处理大量数据，不必将数据发送到云端。
  SlashGear 也曾报道有关谷歌自研芯片的信息，他们认为Tensor（内部代号Whitechapel/GS101）基于Arm架构设计，采用了5nm制程工艺。有 8 个CPU核心，其中2 x A76 + 4 x A55、GPU 可能采用 Arm 代号 “Borr” 的 Mali GPU，而 5G 基带则可能选择高通的 X60 或 X65。
• “智能计算产业技术创新联合体”成立，宣布全球首个开源神经网络处理器指令集架构 | Arm中国
  摘要：Arm China: 与清华集成电路学院、中兴微电子、TCL集团工研院、全志科技、瑞芯微电子、长安汽车研究院、前海七剑等多家企业和机构共同发起的智能计算产业技术创新联合体（Open NPU Innovation Alliance，简称ONIA）成立“智能计算产业技术创新联合体”，并正式宣布全球首个开源神经网络处理器指令集架构（NPU ISA）。今后将以标准协作等方式制定、批准和维护开源NPU ISA，并为未来的规范设定方向，构建由中国本土发起、以全球领先技术为标准的智能计算产业生态，实现NPU处理器创新和智能计算的持续演进；

论文

• 旷视重磅开源YOLOX：新一代目标检测性能速度担当，吊打一切现有版本的YOLO！ | 极市平台
  文章: https://arxiv.org/abs/2107.08430
  代码: https://github.com/Megvii-BaseDetection/YOLOX
  摘要：本文针对YOLO系列进行了一些经验性改进，构建了一种新的高性能检测器YOLOX。将YOLO检测器调整为了Anchor-Free形式并集成了其他先进检测技术(比如decoupled head、label assignment SimOTA)取得了SOTA性能。
  1. YOLOX将近两年来目标检测领域的各个角度的优秀进展与YOLO进行了巧妙地集成组合(比如解耦头、数据增广、标签分配、Anchor-free机制等)得到了YOLOX，性能取得了大幅地提升，同时仍保持了YOLO系列一贯地高效推理。
  2. 相比YOLOv3、YOLOv4、YOLOv5系列，所提YOLOX取得了最佳性能，同时具有极具竞争力的推理速度。YOLOX就是目标检测领域高性能+高速度的新一代担当。
• [MobiSys 2021] 可高效、准确地预测模型推理时间的系统nn-Meter | 微软研究院AI头条
  标题：nn-Meter: Towards Accurate Latency Prediction of Deep-Learning Model Inference on Diverse Edge Devices
  链接：https://air.tsinghua.edu.cn/Uploads/UEditor/Files/20210709/6376145008525256118804429.pdf
  摘要：这篇获得了 MobiSys 2021 的最佳论文奖（Best Paper），并且成为本届大会中唯一个获得了 Artifact Evaluation 全部三个最高级别徽章的工作。
  深度神经网络（DNN）模型在实际部署中的延迟（推理时间）是决定模型是否可用的一个重要指标。然而，模型设计过程中对数以亿计的设计选项进行实际的部署和延迟评估会造成巨大的开销。因此，如何进行高效、准确的模型运行延迟预测对模型的设计至关重要。但现有技术缺乏对部署平台优化策略的理解以及对灵活多变模型架构的泛化性，所以无法做到准确的模型推理时间预测。
  针对上述问题，微软亚洲研究院异构计算组的研究员们提出并开发了nn-Meter 模型推理时间预测系统。该系统可高效、准确地预测 DNN 模型在不同边缘设备上的推理延迟，其关键思想是将整个模型划分为内核（kernel），即设备上的执行单元，然后执行内核级预测。
  与基准方法相比，nn-Meter 是唯一能够在各种设备上始终实现准确预测的方法。平均而言，nn-Meter 89.2% 的准确率明显优于 FLOPs (22.1%)、FLOPs+MAC(17.1%) 和 BRP-NAS (8.5%)。nn-Meter 在完整的包含26,000个模型的基准数据集上（表2） 的预测结果中，分别在移动 CPU 和 GPU 上实现了99.0%和99.1%的预测准确率。在 Intel VPU 上，nn-Meter 则可以在±10%的误差范围内达到83.4%的预测准确率。nn-Meter 建立在两个关键技术之上，从而可以准确预测不同模型在部署中的推理时间，以设计真正高效的模型：
  • 内核检测：能够自动识别部署平台的优化策略，从而基于这些策略将模型分解为实际运行的内核，nn-Meter 会离线收集所有融合规则，对于在线模型预测，内核搜索算法则会将这些规则递归地应用于目标模型来找到所有内核。
  • 自适应数据采样：从整个设计空间中有效地采样最有益的配置，以高效地构建准确的内核级延迟预测器。
    对于每个内核，nn-Meter 都会提取特征并预测其延迟，所有内核预测延迟之和则为整个模型的预测延迟。
• [2107.12292] JDAI-CV/CoTNet：京东AI开源最强 ResNet 变体 CoTNet，即插即用的视觉识别模块 | 极市平台
  摘要：本文是京东AI研究院梅涛团队在自注意力机制方面的探索，不同于现有注意力机制仅采用局部或者全局方式进行上下文信息获取，他们创造性的将 Transformer 中的自注意力机制的动态上下文信息聚合与卷积的静态上下文信息聚合进行了集成，提出了一种新颖的Transformer风格的“即插即用”CoT模块，它可以直接替换现有 ResNet 架构 Bottleneck 中的卷积并取得显著的性能提升。无论是ImageNet分类，还是 COCO 检测与分割，CoTNet 架构均取得了显著性能提升且参数量与 FLOPs 保持同水平。比如，相比 EfficientNet-B6 的84.3%，所提 SE-CoTNetD-152 取得了 84.6% 同时具有快 2.75 倍的推理速度。
  1. 技术上来讲，CoT 模块首先通过卷积对输入keys进行上下文信息编码得到关于输入的静态上下文表达；进一步将编码keys与输入query进行拼接并通过两个连续卷积学习动态多头注意力矩阵；所得注意力矩阵与输入values相乘即可得到关于输入的动态上下文表达。
  2. CoTNet-50直接采用CoT替换Bottlenck中的卷积；类似的，CoTNeXt-50采用CoT模块替换对应的组卷积，为获得相似计算量，对通道数、分组数进行了调整：CoTNeXt-50的参数量是ResNeXt-50的1.2倍，FLOPs则是1.01倍。
• taichi-dev/quantaichi：99行代码实现冰雪奇缘特效的「太极」再进化，胡渊鸣团队、快手等联合打造 | 机器之心
  论文：https://yuanming.taichi.graphics/publication/2021-quantaichi/quantaichi.pdf
  项目：https://yuanming.taichi.graphics/publication/2021-quantaichi/
  代码：https://github.com/taichi-dev/quantaichi
  摘要：现代动画电影如《冰雪奇缘》等，经常使用基于物理的动画生产特效，丰富感官的体验。基于粒子的表示是其中常用的方法。场景越大，粒子就越多。比如，要模拟一个 300 米长的溃坝场景中的水，可能会需要数千万粒子，而这些粒子的存储需要大量显存。比如说，如果需要96GB的显存，则需要购置大量高端显卡，如 4 块 NVIDIA Quadro P6000 GPU。
  针对这一现状，快手、麻省理工、浙大、清华的研究者进行了物理编译器自动量化方面的研究，提出了一套用于量化模拟的新的语言抽象和编译系统——QuanTaichi。它可以使用低精度量化的数字数据类型并将其打包（packing）以表示模拟状态，从而减少了内存空间和带宽消耗。有了这项技术的加持，高精度的物理模拟只需要一块 GPU 就能实现。
  QuanTaichi 的实现基于 MIT CSAIL 胡渊鸣等人之前提出的「太极（Taichi）」编程语言和编译器。太极技术已经让快手成为首个推出实时液体及烟雾模拟动态效果的短视频和直播平台，行业首发了「别哭鸭」、「我要去潜水」、「火焰超能力」等特效。其中，「圣诞快乐」魔法表情成为爆款，有 74 万用户拍摄并上传了视频，大约有两千多万用户观看了太极支持的这款魔法表情。
• 超越MobileNet V3 | 详解SkipNet+Bias Loss=轻量化模型新的里程碑 | 集智书童
  摘要：本文提出通过重塑标准交叉熵来解决随机预测带来的问题，使其偏向具有有限数量独特描述特征的数据点。所提出的新型Bias Loss将训练重点放在一组有价值的数据点上，防止大量学习特征差的样本误导优化过程。此外，为了说明多样性的重要性，作者提出了一系列SkipNet模型，其体系结构增加了最后一层的唯一描述符的数量。实验表明，所提出的损失函数优于交叉熵损失。此外，与MobileNetV3 Large相比，Skipnet-M在相似的计算条件下，在ImageNet上分类准确率提高了1%。 总结起来，本文的贡献有3个方面：1. 设计了损失函数，以减少随机预测在Compact CNN优化中的误导；2. 提出了一个有效的神经结构SkipNet模型，以增加数据点的数量与大量独特的描述特征；3. 在资源受限的条件下，SkipNet模型在ImageNet分类任务上达到了最先进的性能。

开源项目

注：每条内容前缀为github地址的仓库拥有者和仓库名，补全地址后为github.com/<repo_owner>/<repo_name>。

• mindspore-ai/mindspore: 发布1.3版本，打造无所不在的智能，诠释可以信赖的开源 | MindSpore
  摘要：在这个版本中为大家带来了全新的MindSpore Federated能力，解锁了支撑盘古千亿稠密大模型的众多关键特性、以及面向更多类型硬件的推理优化、图算融合、简易部署等。
  为了更好的支持X86 PC侧CPU推理，从汇编层面入手，Mindspore 支持针对不同卷积shape的动态block切分，充分利用寄存器等硬件资源，使推理性能达到极致，较上个版本推理时延有了10%~75%+的提升。在Intel Core i7-8700 CPU上与OpenVINO（2021.3.394）、MNN（1.2.0）、TNN（v0.3）在几个经典CV类网络上进行benchmark测试中，Mindspore均有不小优势。
• KaiyuYue/torchshard：轻量级TorchShard库减少GPU内存消耗，API与PyTorch相同，训练大模型也不怕 | 机器之心
  摘要：训练大模型时，如何优雅地减少 GPU 内存消耗？你不妨试试这个 TorchShard 库，兼具模型并行与数据并行等特点，还具有与 PyTorch 相同的 API 设计。马里兰大学帕克分校计算机科学系的研究者 Kaiyu Yue 开源了一个工具TorchShard，这是一个轻量级的引擎，用于将 PyTorch 张量切片成并行的 shard。当模型拥有大量的线性层（例如 BERT、GPT）或者很多类（数百万）时，TorchShard 可以减少 GPU 内存并扩展训练规模，它具有与 PyTorch 相同的 API 设计。
  TorchShard 是对模型并行单元（mpu）的彻底重写，是 Megatron-LM 核心。最重要的是，TorchShard 具有与 PyTorch 相同的 API 设计，这意味着所有的子类和子函数都保持与 PyTorch 相同。此外，TorchShard 支持与 DDP 一起使用时的各种特性，保存和加载 shard checkpoints，初始化 shard 参数，以及跨多台机器和 GPU 处理张量。
• tensorflow/tfjs-models：实时检测17个人体关键点，谷歌SOTA姿态检测模型，手机端也能运行 | 机器之心
  代码：https://github.com/tensorflow/tfjs-models/tree/master/pose-detection
  摘要：近日，来自谷歌的研究者更新了用于实时姿态检测的项目，该项目包含 3 种 SOTA 模型，其中 MoveNet 模型可检测人体 17 个关键点、并以 50+ fps 在电脑和手机端运行；BlazePose 可检测人体 33 个关键点；PoseNet 可以检测人体多个姿态，每个姿态包含 17 个关键点。
• kingsoft-wps/KSAI-Toolkits：AI加持的WPS来了：金山开源全球首个办公DL框架KSAI-Lite | 机器之心
  代码：https://github.com/kingsoft-wps/KSAI-Toolkits
  摘要：金山办公还发布了一款免费、开源、跨多个终端的深度学习推理框架 KSAI-lite，适配国内外主流软硬件平台，在 OCR、机器翻译、智能校对等落地场景上为开发者们带来了新选择，其 面向通用性、高性能、轻量和专业性四个目标构建。
  在技术实践中，金山的开发团队在多框架支持、软硬件适配、性能、功耗、内存等方面都进行了优化。在 KSAI-lite 中首个开源的是 OCR 模型，其支持移动端设备的离线识别，模型和库文件共计不到 9MB。该模型在文本检测、文本分类和文本识别上都表现出了业内第一梯队的性能。据介绍，KSAI-lite 框架底层基于 TensorFlow。

博文

• Tengine Lite开源说第三课：添加算子| OPEN AI LAB
  回放：https://www.bilibili.com/video/BV1iX4y1c7ja
  摘要：本次回放为 OPEN AI LAB 开源说第三次课程，将为大家介绍转换工具，模型序列化，如何新增 ONNX 算子示例以及后续 Tengine 的规划，更好支持 ONNX 模型。
• Fast Run：提高 MegEngine 模型推理性能的神奇功能 | 旷视研究院
  摘要：大部分框架靠先验的经验选择算法，MegEngine 亦总结有优秀的先验经验值，实现计算时自动选择算法。但是依靠经验不能保证一定选择了最快的算法。很多实际场景中，用户希望网络有最极致的性能。为此，MegEngine 设计了专门的流程，可以为每个计算自动选择最快的算法，从而保证整个网络的运行时间最短。并且同时能够将计算的参数和其对应的算法信息以及设备信息记录到内存或文件，当用户再次运行网络时，可以直接获取性能最好的算法。
  Fast Run 其离线 Fast Run分两步，分别在不同的进程中完成。
  1. 将整个网络计算执行一遍，这一过程中，Fast Run 会将各个算法的性能数据写到一个专门的数据结构中，最后数据被统一写入一个Cache文件，随后进程退出，这个过程称之为“搜参”。
  2. 加载同样的网络，通过 MegEngine 的接口将 Cache 文件读入。 可以看出，离线Fast Run甚至可以在不同的设备上进行。由于 Fast Run 对每个 MegDNN 算子执行同样的操作，因此它在前向推理和反向传播时都能使用。目前，MegEngine支持CUDA、CPU、ROCM 三个后端的 Fast Run ，MegEngine 的用户们在训练和部署时，均广泛使用 Fast Run。
• 基于MLIR实现GEMM编译优化 | 壁仞科技研究院
  摘要：GEMM 即通用矩阵乘法运算，由于其计算行为具有一定的复杂性以及规律性，是编译算法研究的绝佳场景。MLIR 是近期非常热门的一个编译器软件框架，是工业界及科研界研究的一个热点，其提供了一套灵活的软件基础设施，对中间表达式（IR）及其相互之间的转换进行规范的管理，是一个非常友好的编译器开发平台。
  本文主要介绍了矩阵乘法运算在 MLIR 编译器框架实现的主要过程及内容，以及其在优化算法的多层次实现，以及接入已有优化算法的能力等方面的优势。 MLIR 编译框架，为编译器的开发者，在多层中间表达转换以及算法优化等方面提供强大的基础设施支持，降低开发编译器的门槛。希望通过本文，可以让读者对MLIR的工程实现过程更加清晰一些，从中得到一点启发。
• 深度学习算子优化-FFT | 旷视研究院
  摘要：DFT/FFT 在深度学习领域也有延伸应用。比如利用 FFT 可以降低卷积计算量的特点，FFT_Conv 算法也成为常见的深度学习卷积算法。FFT_conv 的核心计算模块还是针对小图的 DFT 运算，辅以多线程，进一步提升 FFT_Conv 的计算效率。本文我们就来探究一下频域算法的原理和优化策略。
• AI 框架基础技术之深度学习中的通信优化 | 商汤学术
  摘要：日益增加的算力需求将模型的训练推向了多 GPU 训练甚至更大规模的分布式训练。而分布式训练的加速效果和可扩展性，很大程度上受限于节点之间的通信。正文分为四个章节，分别介绍在深度学习模型训练中常见的通信方式、深度学习框架中通信的实现、通信的优化策略，以及如何在模型搭建中进行通信优化。