简介
软件产品的商业成功要点是什么？
导言
- IPD 流程在 AI 里过于厚重和低效，所以华为AI产品线的IPD流程已经进化了：工作内容和方向已经支持灵活的随时变化了，但是需求只落小范围的，确定的，快做完的东西，来应付人力分配说明流程。
- IPD流程貌似更强调流程，弱化个人影响。甚至还有三个臭皮匠顶个诸葛亮的说法。在AI研究领域或者其他领域这方法对吗？公司应该花大价钱招一个强人，还是招多个能力稍差的人
- IPD关于培养人才梯队还有独特的观点：高手的能力是可以被拆解复制的，被下面的人继承。
Agile Governance: Balancing IPD and AI Innovation
导言
厚重的 IPD 流程 和 AI 创新，如何平衡？
两种范式的对垒
- IPD (集成产品开发 - 华为/IBM)： 强调“确定性”。通过跨部门协同和严格的阶段评审，将研发视为一项低风险的投资，追求一次把事情做对，适合硬件和大型系统。
- 字节跳动模式： 强调“演化性”。依托强大的技术中台和 A/B 测试，通过极致的敏捷迭代和数据驱动决策，在不确定性中快速筛选胜者。
AI 开发的特殊挑战
AI 研发具有高不确定性、高算力成本和极快的技术更迭周期。这导致传统的 IPD 流程在 AI 领域显得过重，而纯粹的敏捷模式在面对大额算力投资时又显得缺乏战略定力。
Introduction to AI and Machine Learning Basics
摘要
AI相关的基础知识。 可以参考华为昇腾架构师的博客。
百度
秋招面试时遇到高铁柱前辈。问了相关的问题（对AI专业的人可能是基础知识）
- nvcc编译器不好用吗？为什么要开发tvm之类的编译器？
- 答：首先，nvcc是类似与gcc, msvc(Microsoft Visual C++) 之类的传统的编译器，支持的是CUDA C/C++ 代码。
- 但是tvm编译器是张量编译器，支持的是python之类的代码，将其中的网络设计，编译拆解成各种算子，然后使用cudnn或者特定硬件的高效机器码来执行。
蔚来
数字信号处理器 (Digital signal processor)
HLO 简单理解为编译器 IR。
TVM介绍
- TVM解决的问题：
- 2017年，deploy Deep learning(TF,Pytorch) everywhere(hardware).
- Before TVM,
- 手动调优：loop tiling for locality.
- operator fusion 算子融合。虽然性能高，但是部署不高效
- 编译优化思路引入深度学习
- 定义了算子描述到部署空间的映射。核心是感知调度空间，并且实现compute/schedule 分离
- TVM当前的发展
- 上层计算图表示：NNVM Relay Relax
- 底层优化方式：manual -> AutoTVM(schedule最优参数的搜索，基于AI的cost model) -> Ansor(也不再需要手动写AutoTVM模版，使用模版规则生成代码)
- TVM的额外工作
- HeteroCL: TVM + FPGA
- output Fusion
- 减少Global Memory Copy
把中间算子库替换成编译器？
暂时不好支持张量
AI自动调整变化来调优
自动调参。缺点：
- 需要人工写模版
- 人工导致解空间变小
随机各级循环应用优化策略（并行，循环展开，向量化
介绍了Ansor效果很好
需要进一步的研究学习
暂无
遇到的问题
暂无
开题缘由、总结、反思、吐槽~~
参考文献
无AI tag
novelAI
官网要钱，有泄漏的50G的模型，B站有up抽取了其中的一个做了整合包
不知道，会不会有版权问题下架了。
1 | https://pan.baidu.com/s/1AAHoNYYano6q7XBl3luCcg |
常见问题(环境RTX3070 8G)
- 6G、8G显存生成太慢的问题已经修复
- 百度盘里已经上传了修复包，请下载并且替换hydra_node里所有文件
- 然后6G显存请使用6g的bat文件 等于8G或者以上的直接使用start.bat
- 网址是 127.0.0.1:6969
- CTRL+C 好像才能启动？
- RTX3070 大概20s一张
可以把start.bat改成sh脚本在实验室A100上跑
参考文献
作者：秋葉aaaki https://www.bilibili.com/read/cv19038600?spm_id_from=333.788.b_636f6d6d656e74.7 出处：bilibili
导言
- 越靠近一线的研发，更会忙碌于开源代码/特性的迁移工作。
- 原因主要在于客户发现了效果好的开源成果，就觉得没有复用门槛，反过来催促开发快点实现。
- 读论文也是为了更好的理解迁移的代码，
而较少关注其原理。
无论是把 PyTorch代码 迁移到其他框架（e.g.，MindSpore），还是把将代码继承到All IN ONE 框架（e.g., MindSpeed-MM），都经常遇到如下头大的问题：
- 一行行代码理解迁移速度太慢，并且要理解的非重要、不相关内容太多。
- 一股脑先移植过来，总是遇到channel对不上、触发算子计算维度限制条件 等问题。
- 训练推理流程打通之后，也会遇到精度不对齐的问题。
原始的解决办法就是在计算流程上打印关键数据的变化，找到是开始出现了差异（非预期）地方，使用起来非常不方便：
- 需要手动加print；
- 需要肉眼对比打屏信息；
想寻找/开发一个python工具DataDiffer/TensorDiffer：
- 比如通过装饰器等方法，跟踪函数内，指定变量的变化；
- 包括shape，tensor内前5个非0值，
- 支持将变化信息保存到文件，方便后续对比；