文件名称：daceml:由DaCe支持的以数据为中心的机器学习
文件大小：1.67MB
文件格式：ZIP
更新时间：2024-04-03 03:11:19
Python
DaceML 由以数据为中心的并行编程提供动力的机器学习。 该项目为DaCe添加了PyTorch和ONNX模型加载支持，SDFG IR添加了ONNX操作员库节点。 通过访问DaCe丰富的转换库和高效的开发环境， DaceML可以生成可在CPU，GPU和FPGA上执行的高效实现。 白盒方法使我们可以看到所有粒度级别的计算：从粗略运算符到内核实现，甚至到每个标量运算和内存访问。 库节点 DaceML通过机器学习运算符扩展了DaCe IR。 添加的节点执行ONNX规范指定的计算。 DaceML利用了ONNXRuntime的高性能内核以及可自检且可通过以数据为中心的转换进行转换的纯SDFG实现。 可以从DaCe python前端使用这些节点。 import dace import daceml . onnx as donnx import numpy as np @ dace . pro
【文件预览】：
daceml-master
----setup.py(1KB)
----.gitignore(2KB)
----codecov.yml(185B)
----Makefile(2KB)
----LICENSE(1KB)
----doc()
--------requirements.txt(71B)
--------Makefile(634B)
--------index.rst(632B)
--------conf.py(2KB)
--------make.bat(795B)
--------overviews()
--------ir.png(165KB)
--------modules()
----.github()
--------workflows()
----daceml()
--------onnx()
--------__init__.py(238B)
--------util()
--------autodiff()
--------transformation()
--------pytorch()
----README.md(4KB)
----tests()
--------conftest.py(2KB)
--------test_models()
--------test_name_shadowing.py(907B)
--------test_input_outputs.py(8KB)
--------onnx_subgraph_extractor.py(3KB)
--------pure_expansions()
--------autodiff()
--------test_variadic.py(1KB)
--------transformation()
--------pytorch()
--------onnx_files()
--------test_python_frontend.py(545B)
--------test_bert_subgraphs.py(695B)
----pytest.ini(305B)
----.coveragerc(204B)