软件学报:jos:7649 · 记录 #1
随着深度学习的快速发展, 深度学习框架和硬件相关的研究成为推动其发展的重要方向, 其中框架为开发者提供了便捷的深度学习模型构建方式, 而硬件则提供了强大的计算能力. 然而, 当前多样化的深度学习框架与硬件平台之间的适配性差、兼容性不足, 导致了性能和可扩展性问题. 为解决这一挑战, 深度学习编译技术应运而生, 它通过一系列的中间表示及其对应的自动化转换, 将不同框架的模型高效地映射到特定后端设备上的可执行代码, 并在此过程中应用多种深度学习编译优化技术, 如算子融合、内存优化、自动调优等, 在解决可拓展性问题的同时, 显著提升模型的计算效率. 首先梳理深度学习编译的基本概念和整体流程, 随后总结并分类深度学习编译中的常见优化技术, 最后探讨该领域面临的挑战以及未来发展方向.
这些页面提供论文线索，不代表同行评审或质量认证。
此版本尚未生成 AI 解读。解读由后台任务生成并按论文版本保存，登录后共享已有结果。
2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007649
目前只观测到一个版本，无法比较变化。之后收录新版本时，会在这里对照标题、作者、分类和摘要。
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
随着深度学习的快速发展, 深度学习框架和硬件相关的研究成为推动其发展的重要方向, 其中框架为开发者提供了便捷的深度学习模型构建方式, 而硬件则提供了强大的计算能力. 然而, 当前多样化的深度学习框架与硬件平台之间的适配性差、兼容性不足, 导致了性能和可扩展性问题. 为解决这一挑战, 深度学习编译技术应运而生, 它通过一系列的中间表示及其对应的自动化转换, 将不同框架的模型高效地映射到特定后端设备上的可执行代码, 并在此过程中应用多种深度学习编译优化技术, 如算子融合、内存优化、自动调优等, 在解决可拓展性问题的同时, 显著提升模型的计算效率. 首先梳理深度学习编译的基本概念和整体流程, 随后总结并分类深度学习编译中的常见优化技术, 最后探讨该领域面临的挑战以及未来发展方向.
查看此版本解读 →查看此版本原文 ↗