课程内容简介

介绍传统编译器和AI编译器的区别，AI编译器的核心流程，一些主流的AI编译器生态介绍，探讨介绍AI编译器流程中前端部分，包含模型导入及其可以做的图优化，从 PyTorch 的核心设计理念——动态计算图出发，梳理图优化技术体系的演进历程，包括三条代表性技术路线：早期的 TorchScript（包含 jit.trace 和 jit.script）；中期的 torch.fx 图重写机制；以及 PyTorch 2.0 引入的统一编译入口 torch.compile，并深入分析其核心组件 TorchDynamo、AOTAutograd 以及 TorchInductor 后端的设计原理与亮点，最后探讨并介绍AI编译器流程中后端部分，包含运行时、算子调用以及在此阶段可以做的优化方法。

  课程预期目标

本课程旨在帮助学生深入理解AI编译器的核心原理与设计方法，系统掌握现代AI编译技术栈的关键组件和优化手段，培养开发高性能、可移植AI模型编译优化的工程实践能力。课程结束后，学生将能够深入理解AI编译器的核心流程和技术体系：

• 掌握从高层计算图（如PyTorch FX Graph/ONNX）到底层硬件代码的全链路编译流程;
• 学习计算图优化技术，包括常量折叠、冗余节点消除、算子融合等基础优化;
• 熟悉内存优化策略，涵盖内存分配、布局转换、内存复用等关键技术。

  学时

共 4 小时

  课程依赖

无

  预备知识

建议学生具备以下基础：

• 编程基础：熟悉Python和C++，了解基本的算法与数据结构；
• 机器学习基础：理解神经网络模型（如CNN/Transformer）的结构与推理流程；
• 编译原理入门：了解词法分析、语法分析、中间表示（IR）等基本概念；
• 硬件基础（可选）：对CPU/GPU/TPU的架构特性有基本认知，有助于理解后端优化。

  授课方式

• 讲课
• 实验/实践

  课程详情

第一课时. “AI编译器概述”

课时：1小时

前置依赖：无

第二课时. “AI编译器中的前端优化”

课时：1小时

前置依赖：无

第三课时. “PyTorch中图优化”

课时：1小时

前置依赖：无

第四课时. “AI编译器中的后端优化”

课时：1小时

前置依赖：无