[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"site-home-live-entry-setting":3,"site-header-contests":8,"site-header-camps":49,"study-material-detail-study-62":104},{"enabled":4,"title":5,"statusText":5,"buttonText":5,"campSlug":5,"stage":6,"classroomId":7,"hasClassroom":4},false,"",0,null,{"total":9,"list":10,"pageNum":44,"pageSize":45,"size":9,"startRow":44,"endRow":9,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":48,"navigateFirstPage":44,"navigateLastPage":44},3,[11,25,35],{"slug":12,"title":13,"logo":7,"liveUrl":14,"prize":15,"sponsor":16,"description":17,"organizer":18,"startTime":19,"endTime":20,"registrationDeadline":21,"status":22,"dashboardVisibility":23,"createdAt":24},"spring2026","2026春季启元人工智能大赛","https:\u002F\u002Fwww.bilibili.com\u002Fblackboard\u002Flive\u002Flive-activity-player.html?cid=1822703816&quality=0","200,000","麒麟软件有限公司","“2026春季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。\n各参赛选手需在规定的比赛周期内，依据赛事规则选定赛题并完成相应挑战，优胜者将共同角逐总额20万元的赛事奖金池，并且还将有机会获得实习和知名企业优质岗位内推资格。","启元实验室","2026-04-19 16:00:00","2026-07-13 16:00:00","2026-06-16 16:00:00","ongoing","private","2026-04-16 08:00:00",{"slug":26,"title":27,"logo":7,"liveUrl":14,"prize":28,"sponsor":7,"description":29,"organizer":18,"startTime":30,"endTime":31,"registrationDeadline":32,"status":33,"dashboardVisibility":23,"createdAt":34},"autumn2025","2025秋季启元人工智能大赛","150,000","“2025秋季启元人工智能大赛”是由启元实验室主办的面向全国人工智能领域开发者、科研人员及高校学生的权威赛事。大赛旨在促进与培养具备工程实践能力和创新能力的优秀人工智能领域开发者、推广国产软硬件技术与生态、助力国家人工智能产业高质量发展。","2025-11-08 08:00:00","2026-01-13 08:00:00","2025-12-30 08:00:00","ended","2025-11-03 08:00:00",{"slug":36,"title":37,"logo":7,"liveUrl":14,"prize":38,"sponsor":7,"description":39,"organizer":18,"startTime":40,"endTime":41,"registrationDeadline":42,"status":33,"dashboardVisibility":23,"createdAt":43},"summer2025","启元人工智能大赛(系统方向)","80,000","启元人工智能大赛由启元实验室主办，其中系统赛道基于启元实验室九源软件栈的相关开源项目，通过拉动开源社区力量，一方面促进国产智能计算生态的发展，另一方面也为人工智能系统方向的学生及从业者提供一个实践平台。","2025-07-08 08:00:00","2025-08-25 08:00:00","2025-07-22 08:00:00","2025-06-22 08:00:00",1,5,true,8,[44],{"total":45,"list":50,"pageNum":44,"pageSize":45,"size":45,"startRow":44,"endRow":45,"pages":44,"prePage":6,"nextPage":6,"isFirstPage":46,"isLastPage":46,"hasPreviousPage":4,"hasNextPage":4,"navigatePages":47,"navigatepageNums":103,"navigateFirstPage":44,"navigateLastPage":44},[51,62,73,84,94],{"id":52,"slug":53,"title":54,"logo":55,"publicLiveEmbedUrl":14,"description":56,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":16,"startTime":58,"endTime":59,"status":22,"dashboardVisibility":60,"createdAt":58,"updatedAt":61},"019eeeff-6b00-7d55-a629-efafded3e232","summer2026","2026年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2026-06\u002F019eef7f-7816-7828-9309-79c2c61dd568.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=nCcM9ECgK5PlmraUwj%2BH%2F1S%2BELk%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。","...","2026-06-22 08:00:00","2026-10-19 08:00:00","public","2026-10-12 08:00:00",{"id":63,"slug":64,"title":65,"logo":66,"publicLiveEmbedUrl":7,"description":67,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":68,"startTime":69,"endTime":70,"status":33,"dashboardVisibility":23,"createdAt":71,"updatedAt":72},"019af3f3-e06a-7245-aa8d-37dc99a69c73","winter2025","2025年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-12\u002F019afc69-b7ca-7805-91fb-605429671c01.png?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=kRi1yuIH5NG2docsx57MXWlzm1k%3D","由启元实验室发起的InfiniTensor大模型与人工智能系统训练营，面向开源社区、高校及产业界伙伴开放。活动以「普及AI全栈知识技术、培养工程实践与创新型人才、推广国产软硬件技术生态」为核心目标，助力国家人工智能产业高质量发展。 \n","新华三技术有限公司","2025-12-25 08:00:00","2026-03-27 08:00:00","2025-12-06 08:00:00","2026-10-22 20:24:30",{"id":74,"slug":36,"title":75,"logo":76,"publicLiveEmbedUrl":7,"description":77,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":78,"startTime":79,"endTime":80,"status":81,"dashboardVisibility":23,"createdAt":82,"updatedAt":83},"01980342-208c-7803-b3f3-19e1d31960ba","2025年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fuploads\u002F2025-07\u002F0198045e-28fe-78f0-95fe-23835ce58395.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=eT9ZAOmPWlOldw%2FMHXc0X0x2%2Bhg%3D","InfiniTensor大模型与人工智能系统训练营由启元实验室及清华大学 AI 系统方向团队发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营联合开源项目开发者、学术界大牛、工业界资深工程师参与授课与项目指导。课程采用「线上直播授课 + 在线答疑 + 项目实践辅导 」的方式进行，确保每位同学都能获得充分成长。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","北京积算科技有限公司","2025-07-14 08:00:00","2025-09-30 08:00:00","upcoming","2025-07-13 08:00:00","2026-10-22 20:24:58",{"id":85,"slug":86,"title":87,"logo":88,"publicLiveEmbedUrl":7,"description":89,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":90,"endTime":91,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":93},"01980cf9-a7d8-7796-ae86-0bbe05334add","winter2024","2024年冬季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-ce23-7624-a287-9f07dd0d85f6.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区、高校和产业界，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过视频、直播课、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。报名学员请阅读“导学”课程页的训练营介绍。","2025-01-05 08:00:00","2025-03-22 08:00:00","2025-07-15 08:00:00","2026-10-22 20:24:39",{"id":95,"slug":96,"title":97,"logo":98,"publicLiveEmbedUrl":7,"description":99,"introduction":57,"organizer":18,"coOrganizer":5,"sponsor":5,"startTime":100,"endTime":101,"status":81,"dashboardVisibility":23,"createdAt":92,"updatedAt":102},"01980c20-363a-7dc3-8f5a-58a68e08dcc4","summer2024","2024年夏季InfiniTensor大模型与人工智能系统训练营","https:\u002F\u002Ftesting-cdn.infinitensor.com\u002Fuploads\u002F2025-07\u002F01981269-fbfa-788a-afcd-17fa9be74ff9.jpg","InfiniTensor大模型与人工智能系统训练营由清华大学发起，面向开源社区和高校，普及人工智能各方面知识和技术，培养相关人才。训练营全程免费，通过课程、习题和项目实践，在人工智能飞速发展的背景下，为学员提供一窥深层技术的机会。","2024-07-20 08:00:00","2024-09-29 08:00:00","2026-10-22 20:24:49",[44],{"currentItem":105,"processedData":125},{"img":106,"keywords":107,"treeType":44,"description":108,"showStatus":44,"updateTime":109,"type":110,"title":111,"content":112,"nextArticle":113,"createTime":109,"sortOrder":117,"canonicalPath":118,"id":119,"contentType":120,"prevArticle":121},"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_fm.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=0VShY%2B5DuI0%2FHYzENpM3j6rEWW4%3D","AI 编译器,TVM,MLIR,计算图,张量优化","课程搭建 AI 编译器完整认知框架，对比传统编译器差异，讲解 TVM\u002FMLIR 架构、张量、计算图、Stride 与张量推导，覆盖前端图优化与后端硬件代码生成。","2026-10-22 20:38:11",2,"2026 夏季 InfiniTensor 训练营 AI 编译器 1：《AI 编译器概述》","![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw01.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=GzRPcFTDdlo7TWHupBnfMBGbGew%3D)\r\n\r\n\r\n\u003Cspan style=\"font-size:12px;color:#555;\">7 月 15 日，2026 夏季 InfiniTensor 训练营 AI 编译器方向第一课《AI 编译器概述》开讲。\r\n本系列课程围绕 AI 编译器的核心技术、典型系统与前沿进展展开，旨在帮助同学建立从程序表示、编译优化到硬件执行的完整认知框架。\u003C\u002Fspan>\r\n\r\n\r\n| 课次 | 主题 | 核心内容 |\r\n| :--- | :--- | :--- |\r\n| 01 | AI 编译器概述 | 基本概念、发展背景、关键作用与核心抽象 |\r\n| 02 | 前端优化 | 硬件无关的图优化技术（以 PyTorch 为例） |\r\n| 03 | 后端优化 | 计算调度、内存访问、并行映射与代码生成 |\r\n\r\n\r\n## AI 的历史与现状\r\n\r\n### 人工智能发展里程碑\r\n1. **1950 年**：艾伦·图灵发表《计算机器与智能》，提出“图灵测试”，将哲学问题转化为可观察的行为问题\r\n2. **1956 年**：达特茅斯会议正式提出“人工智能”术语，被公认为 AI 元年\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw02.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=Bktti4dukzzaIuHxhlgijPBFw%2FE%3D)\r\n\r\n3. **两次高潮与低谷**：\r\n    -   初春阶段（1956-1960s）：符号主义\u002F连接主义兴起 → 算力不足导致第一次低谷\r\n    -   专家系统时代（1970s-1980s）：规则编码带来商业价值 → 维护成本高、泛化差导致第二次低谷\r\n    -   机器学习时代（1990s-2000s）：SVM、AdaBoost 涌现，深蓝击败象棋冠军\r\n    -   深度学习爆发（2010s至今）：大数据+算力革命，深层神经网络有效训练成为可能\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw03.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=JiF0JCoX83AQXZL4rF59E4dLfJM%3D)\r\n\r\n### AI 系统技术栈\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw04.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=iYw6uoKrX%2F%2FutYmdz%2Bc6%2F3lb4ZU%3D)\r\n\r\n-   **应用层**：CV \u002F NLP \u002F 搜索推荐 \u002F 大模型应用\r\n-   **开发框架层**：AI 框架（PyTorch\u002FTensorFlow）+ 推理引擎（TensorRT\u002FMagicMind）\r\n-   **编程与编译层**：**AI 编译器所在层级**，负责模型到硬件代码的转换与优化\r\n-   **AI 芯片层**：硬件接口、驱动程序、计算库、计算资源\r\n\r\n\r\n## 传统编译器 & AI 编译器\r\n\r\n### 传统编译器\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw05.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=lc%2B9wtyNtmeCXTKIW%2F4WtFyGBSI%3D)\r\n\r\n\r\n1. **GCC 直接适配模式**：语言前端 × 硬件后端 = 高耦合、难维护\r\n2. **LLVM 范式革新**：引入通用 IR 解耦前后端，Pass 流水线式优化\r\n   -   前端：词法\u002F语法\u002F语义分析 → 生成硬件无关 IR\r\n   -   优化器：死代码消除、循环展开、常量折叠等 Pass\r\n    -   后端：指令选择、寄存器分配、指令调度 → 机器码\r\n\r\n### AI 编译器\r\n\r\n#### 1. 为什么需要 AI 编译器？\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw06.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=Z%2BriV%2BYkrMasTpEA%2FdI9LWwKbYc%3D)\r\n\r\n\r\n| 维度 | 传统编译器 | AI 编译器 |\r\n| :--- | :--- | :--- |\r\n| 计算抽象 | 标量\u002F数组\u002F指针 | 张量 + 计算图（数据流） |\r\n| 硬件适配 | 通用 CPU 为主 | GPU\u002FNPU\u002FTPU 等异构加速器 |\r\n| 场景区分 | 无训练\u002F推理之分 | 训练（自动微分\u002F动态图）vs 推理（低延迟\u002F算子融合\u002F量化） |\r\n\r\n#### 2. AI 编译器的定义与六大目标：\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw07.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=I5lUECHJQfcT3XkaMvVY0wArxC0%3D)\r\n\r\n-   **性能优化**：降低训练\u002F推理耗时，提高吞吐\r\n-   **资源利用**：最大化 CPU\u002FGPU\u002FNPU 利用率与能效比\r\n-   **模型压缩**：量化、剪枝适配移动端\u002F嵌入式\r\n-   **硬件兼容**：跨 x86\u002FARM\u002FGPU\u002FNPU 代码生成\r\n-   **梯度计算**：自动生成反向传播代码，支持动态图微分\r\n-   **并行计算**：数据并行\u002F模型并行\u002F流水并行\r\n\r\n\r\n### 传统编译器 vs. AI 编译器：\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw08.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=P%2FlEBOdtIFUx7GXU7i7pOdFjIpk%3D)\r\n\r\n\r\n### 多层 IR 设计思想\r\n-   **High-Level IR (Graph IR)**：捕获全局数据依赖与控制关系，用于硬件无关的图级优化（代数简化、算子融合、死代码消除等）\r\n-   **Low-Level IR**：暴露循环\u002F内存\u002F线程映射细节，用于算子内部优化与硬件相关代码生成\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw09.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=b7U3N%2BSUNuhYA9RRkW9ZLr8%2BWv4%3D)\r\n\r\n\r\n## 主流 AI 编译器：TVM 与 MLIR\r\n\r\n### TVM：计算与调度分离\r\n#### 1. 工作流程七步法：\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw10.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=SXOUXS6Giw8DL0VuRlG0mZ8VGu8%3D)\r\n\r\n① 模型导入（PyTorch\u002FTF\u002FONNX）\r\n② 转换为高级模型，执行图级优化\r\n③ 降级为张量表达式 TE（定义“算什么”）\r\n④ 自动调优（AutoTVM\u002FAutoScheduler 搜索最佳 Schedule）\r\n⑤ 确定最优计算+调度配置\r\n⑥ 降级为 TIR（底层中间表示），后端优化\r\n⑦ 代码生成（CUDA\u002FOpenCL\u002F机器指令）\r\n\r\n#### 2. 核心理念：\r\n计算语义（TE）与执行策略（Schedule）解耦，通过自动搜索替代人工规则\r\n\r\n### MLIR：分层 IR + 可扩展方言\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw11.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=TrEJVkNX8mS2xmGye4vqt7bMZtM%3D)\r\n\r\n1. **Dialect 系统**：针对不同领域\u002F抽象层次定义专用 IR（线性代数方言、GPU 方言、循环方言等）\r\n2. **解决重复造轮子**：项目只需实现自身 Dialect → 公共 Dialect 的转换，即可复用已有优化 Pass\r\n3. **两个理解维度**：\r\n  - 上下：**Tensor**（值语义\u002F不可变）↔ **Buffer\u002FMemRef**（可读写内存\u002F副作用）\r\n  - 左右：**算什么**（数学定义）↔ **如何算**（执行结构）\r\n\r\n\r\n## AI 程序抽象——计算图\r\n\r\n### 张量（Tensor）\r\n1. **本质**：对高度同质又非结构化数据的有效多维表示\r\n2. **元信息**：数据类型 + 名称 + 形状 + 关联存储空间\r\n3. **阶数语义**：0 阶 = 标量，1 阶 = 向量，2 阶 = 矩阵，3 阶+ = 批量\u002F通道\u002F序列\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw12.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=OrNnN8AXbviGCGBwtsRi5KVuLSM%3D)\r\n\r\n4. **数据布局**：NCHW vs NHWC 直接影响算子解释与内存访问效率\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw13.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=Xan2F7pNkzt7P1fidHg7XotHx4w%3D)\r\n\r\n5. **高阶示例**：KV Cache 五维张量 `[nblk, 2, nkvh, seq, dh]`，每个维度具有明确模型语义\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw14.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=FAliBb6xIbd3adGrfGKZL9tmhZk%3D)\r\n\r\n### 存储布局与 Stride 机制\r\n1. **核心思想**：逻辑形状与物理存储解耦\r\n2. **Stride（步长）**：沿某维度前进一个位置时，底层存储跨过的元素数\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw15.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=WFXBU8s6CTttzp7wyy11dyV%2Fde0%3D)\r\n\r\n3. **零拷贝变换**：转置仅需交换 shape 和 stride，无需移动数据（非连续视图）\r\n4. **常见变换**：切片（stride 变化）、偏移（offset）、广播（stride = 0 实现逻辑扩展）、Reshape（重新解释维度结构）\r\n\r\n![切片、偏移、广播](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw16.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=fAAhzK%2BXv619i5SRA5OzyL6x60o%3D)\r\n\r\n\r\n![Reshape](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw17.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=NeY7Wnqx%2Ffu2FlCfB8EVqu%2BXQ%2Fk%3D)\r\n\r\n\r\n### 计算图（Computational Graph）\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw18.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=fcAJ5n2vp9jYlQ3Dm4UDrgd%2BL1Q%3D)\r\n\r\n1. **三要素**：拓扑（DAG 依赖关系）+ 张量（数据载体）+ 算子（计算操作）\r\n2. **标准格式**：ONNX（开放神经网络交换格式），可用 Netron 可视化\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw19.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=LcXT4lVSvEkeY%2F58WVohwfZR%2BH4%3D)\r\n\r\n3. **图变换三类**：\r\n   - **张量推导**：由输入推导输出的形状与数据类型（类比类型推导）\r\n   - **图优化**：改变拓扑的优化（常量折叠、冗余消除、算子融合）\r\n   - **核函数选择和优化**：不改变拓扑，为算子匹配最优内核实现\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw20.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=mgRQQWyPCB6Q7G0qBB8ULQhbLW4%3D)\r\n\r\n\r\n### 张量推导\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw21.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=SF2CHgIysX78xK8m5hgjjXkbPqQ%3D)\r\n\r\n-   **一元算子**（NEG）：输出形状\u002F类型 = 输入\r\n-   **二元算子**（ADD）：需处理广播规则（末尾对齐、1 可扩展、缺维补 1）\r\n-   **属性依赖**（CAST）：输出类型由 `to` 属性决定，非简单继承\r\n-   **复杂推导**（GATHER）：输出形状取决于数据张量 + 索引张量 + axis 属性\r\n-   **元信息与数据互转**：\r\n    -   `Shape`：元信息 → 普通数据\r\n    -   `Reshape`：普通数据 → 元信息\r\n    -   ⚠️ 使形状在计算图内部流动，增加推导复杂性\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw22.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=GZ%2FQuglWwWab8MS6AkN2ibkoaqs%3D)\r\n\r\n\r\n\r\n\r\n## 加入训练营\r\n\r\n📺**完整课程内容，请观看直播或查看课程回放：**\r\n\r\n**InfiniTensor 官网**： https:\u002F\u002Fwww.infinitensor.com\r\n\r\n**B站直播**： InfiniTensor 官方直播间\r\n\r\n**视频号直播**： InfiniTensor 视频号预约\r\n\r\n**答疑交流**： 训练营官方社群⬇️\r\n\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002F2026-xjq.png?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=j5LLQWJGl7lfBWs0J77BjrIj89Q%3D)\r\n\r\n## 关注与交流\r\n![](https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002Fnews_ewm02.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=5J3BUGj%2FbNiiRCskyxeUoMVLor4%3D)",{"publishTime":7,"createTime":109,"canonicalPath":114,"id":115,"title":116},"\u002Fstudy-material\u002Fstudy-61","study-61","2026 夏季 InfiniTensor 训练营训练系统 1：《训练基础介绍》",47,"\u002Fstudy-material\u002Fstudy-62","study-62","markdown",{"publishTime":7,"createTime":109,"canonicalPath":122,"id":123,"title":124},"\u002Fstudy-material\u002Fstudy-63","study-63","2026 夏季 InfiniTensor 训练营通信与并行 1：《互联、集群与通信》",{"htmlContent":126,"headings":127},"\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw01.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=GzRPcFTDdlo7TWHupBnfMBGbGew%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cp>\u003Cspan style=\"font-size:12px;color:#555;\">7 月 15 日，2026 夏季 InfiniTensor 训练营 AI 编译器方向第一课《AI 编译器概述》开讲。\u003Cbr>本系列课程围绕 AI 编译器的核心技术、典型系统与前沿进展展开，旨在帮助同学建立从程序表示、编译优化到硬件执行的完整认知框架。\u003C\u002Fspan>\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth align=\"left\">课次\u003C\u002Fth>\n\u003Cth align=\"left\">主题\u003C\u002Fth>\n\u003Cth align=\"left\">核心内容\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd align=\"left\">01\u003C\u002Ftd>\n\u003Ctd align=\"left\">AI 编译器概述\u003C\u002Ftd>\n\u003Ctd align=\"left\">基本概念、发展背景、关键作用与核心抽象\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">02\u003C\u002Ftd>\n\u003Ctd align=\"left\">前端优化\u003C\u002Ftd>\n\u003Ctd align=\"left\">硬件无关的图优化技术（以 PyTorch 为例）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">03\u003C\u002Ftd>\n\u003Ctd align=\"left\">后端优化\u003C\u002Ftd>\n\u003Ctd align=\"left\">计算调度、内存访问、并行映射与代码生成\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch2 id=\"ai-的历史与现状\">\u003Ca class=\"anchor\" href=\"#ai-的历史与现状\" aria-label=\"跳转到标题：AI 的历史与现状\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 的历史与现状\u003C\u002Fh2>\u003Ch3 id=\"人工智能发展里程碑\">\u003Ca class=\"anchor\" href=\"#人工智能发展里程碑\" aria-label=\"跳转到标题：人工智能发展里程碑\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>人工智能发展里程碑\u003C\u002Fh3>\u003Col>\n\u003Cli>\u003Cstrong>1950 年\u003C\u002Fstrong>：艾伦·图灵发表《计算机器与智能》，提出“图灵测试”，将哲学问题转化为可观察的行为问题\u003C\u002Fli>\n\u003Cli>\u003Cstrong>1956 年\u003C\u002Fstrong>：达特茅斯会议正式提出“人工智能”术语，被公认为 AI 元年\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw02.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=Bktti4dukzzaIuHxhlgijPBFw%2FE%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col start=\"3\">\n\u003Cli>\u003Cstrong>两次高潮与低谷\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>初春阶段（1956-1960s）：符号主义\u002F连接主义兴起 → 算力不足导致第一次低谷\u003C\u002Fli>\n\u003Cli>专家系统时代（1970s-1980s）：规则编码带来商业价值 → 维护成本高、泛化差导致第二次低谷\u003C\u002Fli>\n\u003Cli>机器学习时代（1990s-2000s）：SVM、AdaBoost 涌现，深蓝击败象棋冠军\u003C\u002Fli>\n\u003Cli>深度学习爆发（2010s至今）：大数据+算力革命，深层神经网络有效训练成为可能\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw03.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=JiF0JCoX83AQXZL4rF59E4dLfJM%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch3 id=\"ai-系统技术栈\">\u003Ca class=\"anchor\" href=\"#ai-系统技术栈\" aria-label=\"跳转到标题：AI 系统技术栈\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 系统技术栈\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw04.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=iYw6uoKrX%2F%2FutYmdz%2Bc6%2F3lb4ZU%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>应用层\u003C\u002Fstrong>：CV \u002F NLP \u002F 搜索推荐 \u002F 大模型应用\u003C\u002Fli>\n\u003Cli>\u003Cstrong>开发框架层\u003C\u002Fstrong>：AI 框架（PyTorch\u002FTensorFlow）+ 推理引擎（TensorRT\u002FMagicMind）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>编程与编译层\u003C\u002Fstrong>：\u003Cstrong>AI 编译器所在层级\u003C\u002Fstrong>，负责模型到硬件代码的转换与优化\u003C\u002Fli>\n\u003Cli>\u003Cstrong>AI 芯片层\u003C\u002Fstrong>：硬件接口、驱动程序、计算库、计算资源\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"传统编译器-amp-ai-编译器\">\u003Ca class=\"anchor\" href=\"#传统编译器-amp-ai-编译器\" aria-label=\"跳转到标题：传统编译器 & AI 编译器\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>传统编译器 & AI 编译器\u003C\u002Fh2>\u003Ch3 id=\"传统编译器\">\u003Ca class=\"anchor\" href=\"#传统编译器\" aria-label=\"跳转到标题：传统编译器\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>传统编译器\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw05.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=lc%2B9wtyNtmeCXTKIW%2F4WtFyGBSI%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>GCC 直接适配模式\u003C\u002Fstrong>：语言前端 × 硬件后端 = 高耦合、难维护\u003C\u002Fli>\n\u003Cli>\u003Cstrong>LLVM 范式革新\u003C\u002Fstrong>：引入通用 IR 解耦前后端，Pass 流水线式优化\u003Cul>\n\u003Cli>前端：词法\u002F语法\u002F语义分析 → 生成硬件无关 IR\u003C\u002Fli>\n\u003Cli>优化器：死代码消除、循环展开、常量折叠等 Pass\u003C\u002Fli>\n\u003Cli>后端：指令选择、寄存器分配、指令调度 → 机器码\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ch3 id=\"ai-编译器\">\u003Ca class=\"anchor\" href=\"#ai-编译器\" aria-label=\"跳转到标题：AI 编译器\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 编译器\u003C\u002Fh3>\u003Ch4 id=\"1-为什么需要-ai-编译器\">\u003Ca class=\"anchor\" href=\"#1-为什么需要-ai-编译器\" aria-label=\"跳转到标题：1. 为什么需要 AI 编译器？\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>1. 为什么需要 AI 编译器？\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw06.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=Z%2BriV%2BYkrMasTpEA%2FdI9LWwKbYc%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ctable>\n\u003Cthead>\n\u003Ctr>\n\u003Cth align=\"left\">维度\u003C\u002Fth>\n\u003Cth align=\"left\">传统编译器\u003C\u002Fth>\n\u003Cth align=\"left\">AI 编译器\u003C\u002Fth>\n\u003C\u002Ftr>\n\u003C\u002Fthead>\n\u003Ctbody>\u003Ctr>\n\u003Ctd align=\"left\">计算抽象\u003C\u002Ftd>\n\u003Ctd align=\"left\">标量\u002F数组\u002F指针\u003C\u002Ftd>\n\u003Ctd align=\"left\">张量 + 计算图（数据流）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">硬件适配\u003C\u002Ftd>\n\u003Ctd align=\"left\">通用 CPU 为主\u003C\u002Ftd>\n\u003Ctd align=\"left\">GPU\u002FNPU\u002FTPU 等异构加速器\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n\u003Ctd align=\"left\">场景区分\u003C\u002Ftd>\n\u003Ctd align=\"left\">无训练\u002F推理之分\u003C\u002Ftd>\n\u003Ctd align=\"left\">训练（自动微分\u002F动态图）vs 推理（低延迟\u002F算子融合\u002F量化）\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Ftbody>\u003C\u002Ftable>\n\u003Ch4 id=\"2-ai-编译器的定义与六大目标\">\u003Ca class=\"anchor\" href=\"#2-ai-编译器的定义与六大目标\" aria-label=\"跳转到标题：2. AI 编译器的定义与六大目标：\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>2. AI 编译器的定义与六大目标：\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw07.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=I5lUECHJQfcT3XkaMvVY0wArxC0%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>性能优化\u003C\u002Fstrong>：降低训练\u002F推理耗时，提高吞吐\u003C\u002Fli>\n\u003Cli>\u003Cstrong>资源利用\u003C\u002Fstrong>：最大化 CPU\u002FGPU\u002FNPU 利用率与能效比\u003C\u002Fli>\n\u003Cli>\u003Cstrong>模型压缩\u003C\u002Fstrong>：量化、剪枝适配移动端\u002F嵌入式\u003C\u002Fli>\n\u003Cli>\u003Cstrong>硬件兼容\u003C\u002Fstrong>：跨 x86\u002FARM\u002FGPU\u002FNPU 代码生成\u003C\u002Fli>\n\u003Cli>\u003Cstrong>梯度计算\u003C\u002Fstrong>：自动生成反向传播代码，支持动态图微分\u003C\u002Fli>\n\u003Cli>\u003Cstrong>并行计算\u003C\u002Fstrong>：数据并行\u002F模型并行\u002F流水并行\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch3 id=\"传统编译器-vs-ai-编译器\">\u003Ca class=\"anchor\" href=\"#传统编译器-vs-ai-编译器\" aria-label=\"跳转到标题：传统编译器 vs. AI 编译器：\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>传统编译器 vs. AI 编译器：\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw08.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=P%2FlEBOdtIFUx7GXU7i7pOdFjIpk%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch3 id=\"多层-ir-设计思想\">\u003Ca class=\"anchor\" href=\"#多层-ir-设计思想\" aria-label=\"跳转到标题：多层 IR 设计思想\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>多层 IR 设计思想\u003C\u002Fh3>\u003Cul>\n\u003Cli>\u003Cstrong>High-Level IR (Graph IR)\u003C\u002Fstrong>：捕获全局数据依赖与控制关系，用于硬件无关的图级优化（代数简化、算子融合、死代码消除等）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Low-Level IR\u003C\u002Fstrong>：暴露循环\u002F内存\u002F线程映射细节，用于算子内部优化与硬件相关代码生成\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw09.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=b7U3N%2BSUNuhYA9RRkW9ZLr8%2BWv4%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch2 id=\"主流-ai-编译器-tvm-与-mlir\">\u003Ca class=\"anchor\" href=\"#主流-ai-编译器-tvm-与-mlir\" aria-label=\"跳转到标题：主流 AI 编译器：TVM 与 MLIR\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>主流 AI 编译器：TVM 与 MLIR\u003C\u002Fh2>\u003Ch3 id=\"tvm-计算与调度分离\">\u003Ca class=\"anchor\" href=\"#tvm-计算与调度分离\" aria-label=\"跳转到标题：TVM：计算与调度分离\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>TVM：计算与调度分离\u003C\u002Fh3>\u003Ch4 id=\"1-工作流程七步法\">\u003Ca class=\"anchor\" href=\"#1-工作流程七步法\" aria-label=\"跳转到标题：1. 工作流程七步法：\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>1. 工作流程七步法：\u003C\u002Fh4>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw10.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=SXOUXS6Giw8DL0VuRlG0mZ8VGu8%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cp>① 模型导入（PyTorch\u002FTF\u002FONNX）\u003Cbr>② 转换为高级模型，执行图级优化\u003Cbr>③ 降级为张量表达式 TE（定义“算什么”）\u003Cbr>④ 自动调优（AutoTVM\u002FAutoScheduler 搜索最佳 Schedule）\u003Cbr>⑤ 确定最优计算+调度配置\u003Cbr>⑥ 降级为 TIR（底层中间表示），后端优化\u003Cbr>⑦ 代码生成（CUDA\u002FOpenCL\u002F机器指令）\u003C\u002Fp>\n\u003Ch4 id=\"2-核心理念\">\u003Ca class=\"anchor\" href=\"#2-核心理念\" aria-label=\"跳转到标题：2. 核心理念：\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>2. 核心理念：\u003C\u002Fh4>\u003Cp>计算语义（TE）与执行策略（Schedule）解耦，通过自动搜索替代人工规则\u003C\u002Fp>\n\u003Ch3 id=\"mlir-分层-ir-可扩展方言\">\u003Ca class=\"anchor\" href=\"#mlir-分层-ir-可扩展方言\" aria-label=\"跳转到标题：MLIR：分层 IR + 可扩展方言\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>MLIR：分层 IR + 可扩展方言\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw11.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=TrEJVkNX8mS2xmGye4vqt7bMZtM%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>Dialect 系统\u003C\u002Fstrong>：针对不同领域\u002F抽象层次定义专用 IR（线性代数方言、GPU 方言、循环方言等）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>解决重复造轮子\u003C\u002Fstrong>：项目只需实现自身 Dialect → 公共 Dialect 的转换，即可复用已有优化 Pass\u003C\u002Fli>\n\u003Cli>\u003Cstrong>两个理解维度\u003C\u002Fstrong>：\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cul>\n\u003Cli>上下：\u003Cstrong>Tensor\u003C\u002Fstrong>（值语义\u002F不可变）↔ \u003Cstrong>Buffer\u002FMemRef\u003C\u002Fstrong>（可读写内存\u002F副作用）\u003C\u002Fli>\n\u003Cli>左右：\u003Cstrong>算什么\u003C\u002Fstrong>（数学定义）↔ \u003Cstrong>如何算\u003C\u002Fstrong>（执行结构）\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ch2 id=\"ai-程序抽象-计算图\">\u003Ca class=\"anchor\" href=\"#ai-程序抽象-计算图\" aria-label=\"跳转到标题：AI 程序抽象——计算图\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>AI 程序抽象——计算图\u003C\u002Fh2>\u003Ch3 id=\"张量-tensor\">\u003Ca class=\"anchor\" href=\"#张量-tensor\" aria-label=\"跳转到标题：张量（Tensor）\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>张量（Tensor）\u003C\u002Fh3>\u003Col>\n\u003Cli>\u003Cstrong>本质\u003C\u002Fstrong>：对高度同质又非结构化数据的有效多维表示\u003C\u002Fli>\n\u003Cli>\u003Cstrong>元信息\u003C\u002Fstrong>：数据类型 + 名称 + 形状 + 关联存储空间\u003C\u002Fli>\n\u003Cli>\u003Cstrong>阶数语义\u003C\u002Fstrong>：0 阶 = 标量，1 阶 = 向量，2 阶 = 矩阵，3 阶+ = 批量\u002F通道\u002F序列\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw12.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=OrNnN8AXbviGCGBwtsRi5KVuLSM%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col start=\"4\">\n\u003Cli>\u003Cstrong>数据布局\u003C\u002Fstrong>：NCHW vs NHWC 直接影响算子解释与内存访问效率\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw13.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=Xan2F7pNkzt7P1fidHg7XotHx4w%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col start=\"5\">\n\u003Cli>\u003Cstrong>高阶示例\u003C\u002Fstrong>：KV Cache 五维张量 \u003Ccode>[nblk, 2, nkvh, seq, dh]\u003C\u002Fcode>，每个维度具有明确模型语义\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw14.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=FAliBb6xIbd3adGrfGKZL9tmhZk%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch3 id=\"存储布局与-stride-机制\">\u003Ca class=\"anchor\" href=\"#存储布局与-stride-机制\" aria-label=\"跳转到标题：存储布局与 Stride 机制\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>存储布局与 Stride 机制\u003C\u002Fh3>\u003Col>\n\u003Cli>\u003Cstrong>核心思想\u003C\u002Fstrong>：逻辑形状与物理存储解耦\u003C\u002Fli>\n\u003Cli>\u003Cstrong>Stride（步长）\u003C\u002Fstrong>：沿某维度前进一个位置时，底层存储跨过的元素数\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw15.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=WFXBU8s6CTttzp7wyy11dyV%2Fde0%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col start=\"3\">\n\u003Cli>\u003Cstrong>零拷贝变换\u003C\u002Fstrong>：转置仅需交换 shape 和 stride，无需移动数据（非连续视图）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>常见变换\u003C\u002Fstrong>：切片（stride 变化）、偏移（offset）、广播（stride = 0 实现逻辑扩展）、Reshape（重新解释维度结构）\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw16.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=fAAhzK%2BXv619i5SRA5OzyL6x60o%3D\" alt=\"切片、偏移、广播\">\u003C\u002Fp>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw17.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=NeY7Wnqx%2Ffu2FlCfB8EVqu%2BXQ%2Fk%3D\" alt=\"Reshape\">\u003C\u002Fp>\n\u003Ch3 id=\"计算图-computational-graph\">\u003Ca class=\"anchor\" href=\"#计算图-computational-graph\" aria-label=\"跳转到标题：计算图（Computational Graph）\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>计算图（Computational Graph）\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw18.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=fcAJ5n2vp9jYlQ3Dm4UDrgd%2BL1Q%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col>\n\u003Cli>\u003Cstrong>三要素\u003C\u002Fstrong>：拓扑（DAG 依赖关系）+ 张量（数据载体）+ 算子（计算操作）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>标准格式\u003C\u002Fstrong>：ONNX（开放神经网络交换格式），可用 Netron 可视化\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw19.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=LcXT4lVSvEkeY%2F58WVohwfZR%2BH4%3D\" alt=\"\">\u003C\u002Fp>\n\u003Col start=\"3\">\n\u003Cli>\u003Cstrong>图变换三类\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>\u003Cstrong>张量推导\u003C\u002Fstrong>：由输入推导输出的形状与数据类型（类比类型推导）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>图优化\u003C\u002Fstrong>：改变拓扑的优化（常量折叠、冗余消除、算子融合）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>核函数选择和优化\u003C\u002Fstrong>：不改变拓扑，为算子匹配最优内核实现\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw20.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=mgRQQWyPCB6Q7G0qBB8ULQhbLW4%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch3 id=\"张量推导\">\u003Ca class=\"anchor\" href=\"#张量推导\" aria-label=\"跳转到标题：张量推导\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>张量推导\u003C\u002Fh3>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw21.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=SF2CHgIysX78xK8m5hgjjXkbPqQ%3D\" alt=\"\">\u003C\u002Fp>\n\u003Cul>\n\u003Cli>\u003Cstrong>一元算子\u003C\u002Fstrong>（NEG）：输出形状\u002F类型 = 输入\u003C\u002Fli>\n\u003Cli>\u003Cstrong>二元算子\u003C\u002Fstrong>（ADD）：需处理广播规则（末尾对齐、1 可扩展、缺维补 1）\u003C\u002Fli>\n\u003Cli>\u003Cstrong>属性依赖\u003C\u002Fstrong>（CAST）：输出类型由 \u003Ccode>to\u003C\u002Fcode> 属性决定，非简单继承\u003C\u002Fli>\n\u003Cli>\u003Cstrong>复杂推导\u003C\u002Fstrong>（GATHER）：输出形状取决于数据张量 + 索引张量 + axis 属性\u003C\u002Fli>\n\u003Cli>\u003Cstrong>元信息与数据互转\u003C\u002Fstrong>：\u003Cul>\n\u003Cli>\u003Ccode>Shape\u003C\u002Fcode>：元信息 → 普通数据\u003C\u002Fli>\n\u003Cli>\u003Ccode>Reshape\u003C\u002Fcode>：普通数据 → 元信息\u003C\u002Fli>\n\u003Cli>⚠️ 使形状在计算图内部流动，增加推导复杂性\u003C\u002Fli>\n\u003C\u002Ful>\n\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002FKnowledge_Base\u002FKB_62_zw22.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=GZ%2FQuglWwWab8MS6AkN2ibkoaqs%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch2 id=\"加入训练营\">\u003Ca class=\"anchor\" href=\"#加入训练营\" aria-label=\"跳转到标题：加入训练营\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>加入训练营\u003C\u002Fh2>\u003Cp>📺\u003Cstrong>完整课程内容，请观看直播或查看课程回放：\u003C\u002Fstrong>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>InfiniTensor 官网\u003C\u002Fstrong>： \u003Ca href=\"https:\u002F\u002Fwww.infinitensor.com\">https:\u002F\u002Fwww.infinitensor.com\u003C\u002Fa>\u003C\u002Fp>\n\u003Cp>\u003Cstrong>B站直播\u003C\u002Fstrong>： InfiniTensor 官方直播间\u003C\u002Fp>\n\u003Cp>\u003Cstrong>视频号直播\u003C\u002Fstrong>： InfiniTensor 视频号预约\u003C\u002Fp>\n\u003Cp>\u003Cstrong>答疑交流\u003C\u002Fstrong>： 训练营官方社群⬇️\u003C\u002Fp>\n\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002F2026-xjq.png?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=j5LLQWJGl7lfBWs0J77BjrIj89Q%3D\" alt=\"\">\u003C\u002Fp>\n\u003Ch2 id=\"关注与交流\">\u003Ca class=\"anchor\" href=\"#关注与交流\" aria-label=\"跳转到标题：关注与交流\">\u003Cspan class=\"octicon octicon-link\">\u003C\u002Fspan>\u003C\u002Fa>关注与交流\u003C\u002Fh2>\u003Cp>\u003Cimg src=\"https:\u002F\u002Foss.infinitensor.com\u002Fprod\u002Fimages\u002Fportal_news\u002Fnews_ewm02.jpg?Expires=1792752589&OSSAccessKeyId=LTAI5t9R6uzvTa69CT92cFvV&Signature=5J3BUGj%2FbNiiRCskyxeUoMVLor4%3D\" alt=\"\">\u003C\u002Fp>\n",[128,131,133,136,139,141,144,148,151,154,157,160,163,166,169,172,175,178,181,184,186,188],{"id":129,"text":130,"level":110},"ai-的历史与现状","AI 的历史与现状",{"id":132,"text":132,"level":9},"人工智能发展里程碑",{"id":134,"text":135,"level":9},"ai-系统技术栈","AI 系统技术栈",{"id":137,"text":138,"level":110},"传统编译器-amp-ai-编译器","传统编译器 & AI 编译器",{"id":140,"text":140,"level":9},"传统编译器",{"id":142,"text":143,"level":9},"ai-编译器","AI 编译器",{"id":145,"text":146,"level":147},"1-为什么需要-ai-编译器","1. 为什么需要 AI 编译器？",4,{"id":149,"text":150,"level":147},"2-ai-编译器的定义与六大目标","2. AI 编译器的定义与六大目标：",{"id":152,"text":153,"level":9},"传统编译器-vs-ai-编译器","传统编译器 vs. AI 编译器：",{"id":155,"text":156,"level":9},"多层-ir-设计思想","多层 IR 设计思想",{"id":158,"text":159,"level":110},"主流-ai-编译器-tvm-与-mlir","主流 AI 编译器：TVM 与 MLIR",{"id":161,"text":162,"level":9},"tvm-计算与调度分离","TVM：计算与调度分离",{"id":164,"text":165,"level":147},"1-工作流程七步法","1. 工作流程七步法：",{"id":167,"text":168,"level":147},"2-核心理念","2. 核心理念：",{"id":170,"text":171,"level":9},"mlir-分层-ir-可扩展方言","MLIR：分层 IR + 可扩展方言",{"id":173,"text":174,"level":110},"ai-程序抽象-计算图","AI 程序抽象——计算图",{"id":176,"text":177,"level":9},"张量-tensor","张量（Tensor）",{"id":179,"text":180,"level":9},"存储布局与-stride-机制","存储布局与 Stride 机制",{"id":182,"text":183,"level":9},"计算图-computational-graph","计算图（Computational Graph）",{"id":185,"text":185,"level":9},"张量推导",{"id":187,"text":187,"level":110},"加入训练营",{"id":189,"text":189,"level":110},"关注与交流"]