编译器的学习

最新推荐文章于 2026-06-17 22:13:19 发布
原创 最新推荐文章于 2026-06-17 22:13:19 发布 · 529 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#学习
本文探讨了常见的编译器，如GCC、VisualC++和Clang（LLVM架构的前端），以及Microsoft的VisualC++的衍生TVM（TensorVirtualMachine），着重介绍了它们的关系，TVM如何利用LLVM进行模型编译的过程。

常用的编译器：

  1. GCC
  2. Visual C++
  3. Clang（LLVM）： Clang 可以被看作是建立在 LLVM 之上的一个项目, 实际上LLVM是clang的后端，clang作为前端前端生成LLVM IR，https://zhuanlan.zhihu.com/p/656699711
  4. MSVC ： 微软的, Mirosoft visual C++
  5. TVM: _Tensor Virtual Machine， 它可以将模型转为LLVM IR文件，再交给LLVM进行编译， _

_TVM的介绍： _https://zhuanlan.zhihu.com/p/577552081?utm_id=0
https://zhuanlan.zhihu.com/p/446976730?utm_id=0

_TVM的文档： _https://daobook.github.io/tvm/docs/dev/tutorial/codebase_walkthrough.html

其实关于clang有两种说法：

  1. LLVM架构的前端，
  2. 以LLVM为后端的编译器，上面的3，是指的按照这个来说的
深度学习编译器
weixin_37699342的博客
01-12 869
深度学习 1. 训练框架： Google的TensorFlow：项目部署落地 FaceBook的Pytorch：易用性 另外亚马逊的MxNet 百度的Paddle 旷视的MegEngine 华为的Mindspore 一流科技的OneFlow：分布式训练最快 无论选择何种训练框架训练模型，我们最终都是要将训练好的模型部署到实际场景的。 2. 模型部署的设备：Intel CPU/Nvidia GPU/Intel GPU/Arm CPU/Arm GPU/FPGA/NPU(华为海思)/BPU
【深度学习编译器系列】2. 深度学习编译器的通用设计架构
elaine_bao的专栏
02-21 1031
深度学习编译器主要包括编译器前端和编译器后端两部分。编译器前端主要执行硬件无关的转换和优化，编译器后端主要执行硬件相关的优化。
【从零开始学深度学习编译器】一，深度学习编译器及TVM 介绍
生活需要深度
02-02 1057
大家好呀，在过去的半年到一年时间里，我分享了一些算法解读，算法优化，模型转换相关的一些文章。这篇文章是自己开启学习深度学习编译器的第一篇文章，后续也会努力更新这个系列。这篇文章是开篇，所以我不会太深入讲解TVM的知识，更多的是介绍一下深度学习编译器和TVM是什么？以及为什么我要选择学习TVM，最后我也会给出一个让读者的一个开发环境搭建的简要教程以及一个简单例子。
【深度学习编译器系列】1. 为什么需要深度学习编译器？
elaine_bao的专栏
02-19 1857
深度学习（DL）编译器的产生有两方面的因素：深度学习模型的广泛应用，以及深度学习芯片的层出不穷。
编译器学习
Neil的专栏
12-08 425
编译器学习 http://www.cricode.com/3132.html
深度学习编译器综述
m0_60790618的博客
10-02 1965
深度学习编译器综述
深度学习编译器的理解
qq_15821487的博客
06-30 1371
参考介绍https://blog.csdn.net/just_sort/article/details/114892689添加链接描述 本质上技术把模型转换成硬件能识别的机器码，然后这个过程需要优化，并且能适配特定的硬件，最终的落地还是芯片和硬件深度学习编译器这个词语，我们可以先拆成两个部分来看。首先谈谈深度学习领域。从训练框架角度来看，Google的TensorFlow和FaceBook的Pytorch是全球主流的深度学习框架，另外亚马逊的MxNet，百度的Paddle，旷视的MegEngine，华为的M
深度学习编译器汇总
算能开发者社区是一个为开发者提供信息传播、开发交流、技术分享的交流空间。
06-29 1008
为了解决DL库和工具的缺点，减轻手动优化每个DL硬件上的DL模型的负担，DL社区正在促进特定领域的编译器的发展。此外，现有的DL编译器还利用了来自通用编译器（例如LLVM）的成熟工具链，这在不同的硬件架构中提供了更好的可移植性。计算图优化结合了通用编译器的优化技术和DL特有的优化技术，减少了计算图的冗余，提高了计算效率。在工业界和学术界的不断努力下，一些流行的DL框架被提出，如TensorFlow、PyTorch、MXNet和CNTK，以简化各种DL模型的实现。通常，IR是程序的抽象，用于程序优化。
机器学习在编译器中的应用
pl_lab_001的博客
03-24 1187
近些年来，越来越多的学者和研究人员将目光对准了机器学习技术在编译器领域的应用。在本文里，我们将阐述机器学习和编译器优化之间的关系，并介绍其中的一些典型应用。
基于土地管理问题：博弈论与系统动力学的综合学习与应用-第一章 系统动力学的基本思想：系统、反馈与动态演化
最新发布
Ichliebedich2020的博客
06-17 346
本文系统阐述了从博弈论到系统动力学的学习路径，聚焦土地流转问题。博弈论用于分析农户、经营主体等微观主体的策略选择，而系统动力学则研究这些选择累积形成的宏观系统演化。文章详细解析了系统动力学的三大核心概念：系统（多要素相互联系的整体）、反馈（变量间的循环影响）和动态演化（随时间变化的过程），并以土地流转为例，具体分析了规模收益（正反馈）与租金成本（负反馈）等机制如何共同决定系统的长期发展趋势（持续增长、停滞或波动）。系统动力学通过揭示要素间的反馈结构，为理解土地管理等复杂社会问题提供了有力工具。
【论文学习】2026.5 || 分解式视觉-语言对齐用于细粒度开放词汇分割
m0_62969865的博客
06-14 558
本文提出了一种分解式视觉-语言对齐框架，用于解决细粒度开放词汇分割中的组合泛化问题。传统方法因将多属性文本提示整体编码而导致语义纠缠，难以泛化到未见过的属性-类别组合。该框架通过以下创新实现突破：(1) 显式分解文本提示为独立的概念标记和属性标记；(2) 引入特征门控交叉注意力模块，通过乘法融合强制组合语义；(3) 提出对数空间"与"评分策略，实现稳定的组合匹配。在UBC和PACO-LVIS数据集上的实验表明，该方法显著提升了对未见组合的泛化能力（UBC上未见AP从4.0提升到7.1）
K 近邻（KNN）：最简单的“懒惰“学习器
2603_95397518的博客
06-14 392
摘要： KNN（K近邻）是一种基于实例的“懒惰学习”算法，其核心思想是“物以类聚”——通过计算新样本与训练数据的距离，找到最近的K个邻居进行投票（分类）或取均值（回归）。KNN无需训练，但预测时需遍历所有数据，效率较低。其性能高度依赖距离度量（如欧氏距离、余弦相似度）、K值选择（需权衡偏差与方差）以及特征缩放（必须标准化）。KNN简单直观，但在高维数据中受“维度灾难”影响严重（点间距离趋同），且对噪声敏感。实际应用中需注意：优先选择奇数K值（3~15）、使用交叉验证调参、结合KD-Tree优化计算。KNN适
Docker 学习之路-从入门到放弃-Jenkins：4-1
qq_28183291的博客
06-17 299
首先总结一下，Jenkins 运行jar 服务，配置主要包括两部分：jdk 和 maven 以及gitlab或云存储平台（阿里云效）。jdk 如果可以选择自带的jdk版本。这里讲解的是没法选择自带java版本。如果没有找到，说明你这里没有给Jenkins账户配权限，可以切换成root账户查询。如果你的jar 不需要docker 、docker-compose ，则跳过。maven 配置自动安装一个版本即可。这个拉取代码时，需要验证。根据提示的路径，配置全局的配置即可。这里是对Jenkins配置的补充。
pwn自主学习
QCzblack的博客
06-15 260
先nc链接一下，发现什么命令都没有用，下载附件放到kali里面file查看一下再checksec一下看看是否有保护然后放到IDA中查看，发现了栈溢出，定义了16，读取了0x64ull=100发现bin/sh，查看一下找到溢出，后门编写exp运行后得到flag。
智能体设计模式：学习与适应 Learning & Adaptation
闵浮龙的博客
06-17 163
学习与适应，是 Agent 从“工具调用器”升级成“长期系统”的关键一步。它的核心不是让模型自由发挥，而是建立反馈闭环。能记录。能评估。能诊断。能更新。能验证。能回滚。做到这些，Agent 才能越用越稳，越跑越准。智能体设计模式：学习与适应 Learning & Adaptation：功能变化与行业影响解析_热闻岛。
电机驱动开发学习2. 直流无刷电机工作原理
猿来这样-谢厂节的博客
06-13 653
本文系统介绍了直流无刷电机（BLDC）的工作原理与控制方法。主要内容包括： 电机分类与位置检测： 根据反馈信号区分BLDC（方波）与PMSM（正弦波） 位置检测方式分为有传感器（霍尔、磁编码器、光栅编码器）和无传感器两种 有传感器方案特点： 霍尔传感器：成本低但分辨率有限（60°电角度） 磁编码器：连续高分辨率，适合FOC控制 光栅编码器：最高精度，但抗污染能力弱 无传感器控制方法： 反电动势过零检测（BLDC） 滑模观测器/卡尔曼滤波（PMSM） 高频注入法（零速启动） 无传感器启动技术： 三段式启动：预
AI时代，我们该怎么学习？
qq_33525062的博客
06-17 267
AI时代的学习革命：从记忆知识到培养判断力 在AI时代，学习方式正经历根本性转变。传统强调记忆和熟练的学习模式被颠覆，因为AI已成为最强大的信息存储和执行工具。学习重点应转向：1）提问能力而非记忆答案；2）跨界连接而非单科深耕；3）批判性思维而非被动接受。AI擅长执行层任务（信息整合、基础分析等），而人类优势在于判断层（价值评估、情感理解等）。建议采取：AI辅助学习、建立知识框架、即时实践应用、保持人性化特质等策略。最终，快速学习能力和将知识转化为行动的能力，才是AI时代最核心的竞争力。
从硬件中断到信号机制：打通操作系统异步底层的完整学习笔记
2402_89711598的博客
06-17 375
这篇文章系统梳理了操作系统底层异步机制的学习历程，形成完整知识闭环。主要内容包括： 硬件中断机制 中断是操作系统夺回CPU控制权的根基 时钟中断作为系统"心跳"驱动调度 特权级与地址空间实现安全隔离 信号机制 用户态"软中断"完整复刻硬件中断流程 信号处理自动屏蔽防止递归 sigaction精细控制信号行为 异步编程约束 可重入函数是信号处理的硬性要求 volatile保证内存可见性 典型应用如SIGCHLD回收子进程 整个体系从硬件中断到用户态信号形成完美对应，所有
067、STM32项目分享：语音儿童学习书桌系统
qq_40891583的博客
06-15 647
本项目基于STM32F103C8T6单片机设计了一款智能儿童学习书桌系统，集成了温湿度检测（DHT11）、光照传感、超声波坐姿监测（HC-SR04）、人体感应（HC-SR501）等多种传感器。系统通过OLED屏实时显示环境数据，支持语音控制（模式切换/台灯控制/桌面调节）、APP远程监控（WIFI模块ESP8266）及自动调光功能。当检测到坐姿异常、温湿度超限或光照不足时，会触发声光报警（蜂鸣器+LED），并通过SG90舵机调节桌面高度。项目包含完整的硬件设计（原理图+PCB）、程序代码及实验演示视频
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

白码思

您的鼓励是我最大的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值