Représentation du calcul d'un modèle avec les opérations comme nœuds et les échanges de tenseurs comme arcs. Base de la différentiation automatique et des optimisations des compilateurs d'IA.
Nom japonais: 計算グラフ
« Graphe de calcul » apparaît dans 4 questions d'entraînement réparties sur 1 thèmes, dont Pile matérielle et logicielle de l'IA.
Réponse : C. Une représentation du calcul du modèle où les opérations sont des nœuds et les échanges de données (tenseurs) des flèches
Le graphe de calcul est le plan du calcul d'un modèle : les opérations (produit matriciel, addition, fonction d'activation, etc.) en sont les nœuds et les tenseurs qui circulent entre elles les flèches. Le framework parcourt ce graphe à rebours pour calculer automatiquement les gradients de la rétropropagation, et le compilateur l'examine dans son ensemble pour optimiser fusions et réordonnancements. Le graphe indique aussi quelles opérations sont indépendantes et peuvent s'exécuter en parallèle.
Le graphe de calcul est le plan du calcul d'un modèle : les opérations (produit matriciel, addition, fonction d'activation, etc.) en sont les nœuds et les tenseurs qui circulent entre elles les flèches.
Quelle définition du « graphe de calcul » utilisé dans les …Le compilateur d'IA reçoit le modèle sous forme de graphe de calcul (opérations et flux de données), fusionne les opérations regroupables, supprime les calculs inutiles, choisit l'agencement mémoire, ajuste la taille des tuiles, etc., et génère des noyaux adaptés à la cible, GPU, NPU ou autre.
Quel est le principal traitement effectué par les compilate…ONNX (Open Neural Network Exchange) est une norme représentant le graphe de calcul et les poids d'un modèle dans un format commun.
Quelle définition d'ONNX est correcte ?Le framework ou le compilateur et l'environnement d'exécution d'IA optimisent le graphe de calcul, et les produits matriciels, convolutions, etc.
Quel ordre de la pile logicielle d'IA, de la couche la plus…GPU NPU (unité de traitement neuronal) Rétropropagation Compilateur d'IA ONNX Inférence All-reduce Attention Cache KV Checkpointing de gradients