AKG深度学习网络优化程序

AKG(Auto Kernel Generator)对深度神经网络中的算子进行优化，并提供特定模式下的算子自动融合功能。AKG与MindSpore的图算融合功能协同工作，可提升在不同硬件后端上运行网络的性能。

AKG由四个基本的优化模块组成：规范化、自动调度、指令发射和后端优化。

• 规范化： 为了解决polyhedral表达能力的局限性（只能处理静态的线性程序），需要首先对计算公式IR进行规范化。规范化模块中的优化主要包括自动运算符inline、循环拆分和公共子表达式优化等。

• 自动调度： 自动调度模块基于polyhedral技术，主要包括自动向量化、自动切分、依赖分析和数据搬移等。

• 指令发射： 指令发射模块的优化主要包括循环规范化、标签自动生成和指令发射等。

• 后端优化： 后端优化模块的优化主要包括双缓冲区、存储重写和同步指令插入等。

  

硬件后端支持

当前支持Ascend910，gpu v100/A100等，更多硬件后端支持待开发。

构建

从MindSpore侧构建

详细细节请参考MindSpore README.md。

独立构建

我们建议您从MindSpore侧构建运行AKG代码，但同时为了方便开发，我们提供了独立编译运行AKG的方式。 详细的编译依赖请参考MindSpore安装指南。

bash build.sh -t $target // target can set 'gpu' or 'ascend'

运行

1. 设置环境变量

• Ascend910

  cd tests
  source ./test_env.sh amd64
  export 
  export PATH=${PATH}:${YOUR_CCEC_COMPILER_PATH}

• GPU V100/A100

  cd tests
  source ./test_env.sh gpu

1. 运行测试用例

• Ascend910

  cd tests/operators/vector
  pytest -s test_abs_001.py -m "level0" # 运行level0测试用例

• GPU V100/A100

  cd tests/operators/gpu
  python3 test_all.py -a "op_name" #运行op_name算子测试用例