这个开源项目英文名字叫做 Deep Learning System 或者 AI System，中文名字叫做 深度学习系统 或者 AI系统。
主要是跟大家一起探讨和学习人工智能、深度学习的计算机系统设计，而整个系统是围绕着我在工作当中所积累、梳理、构建关于华为昇腾的内容。当然这里不是打广告，而是希望跟所有关注开源项目的好朋友一起探讨研究，共同促进学习讨论。
欢迎大家使用的过程中发现bug或者勘误直接提交PR到开源社区哦！
这里的内容不能叫做课程大纲，只能叫做内容大纲。
第一部分基础篇介绍AI框架的AI框架核心技术，首先介绍任何一个AI框架都离不开的自动微分，通过自动微分功能后就会产生表示神经网络的图和算子，然后介绍AI框架前端的优化，还有最近很火的大模型分布式训练在AI框架中的关键技术。
第二部分进进阶篇介绍AI框架AI编译器原理，将站在系统设计的角度，思考在设计现代机器学习系统中需要考虑的编译器问题，特别是中间表达乃至后端优化。
第三部分是很实际的推理系统，讲了太多原理身体太虚容易消化不良，还是得回归到业务本质，让行业、企业能够真正应用起来，而推理系统涉及一些核心算法和注意的事情也分享下。
第四部分硬核篇介绍AI芯片，这里就很硬核了，希望可以坚持到最后啦，从芯片的基础到AI芯片的范围都会涉及，芯片设计需要考虑上面AI框架的前端、后端编译，而不是停留在天天喊着吊打英伟达，被现实打趴。
| 编号 | 名称 | 具体内容 |
|---|---|---|
| 1 | AI框架基础 | AI框架的作用、发展、编程范式 |
| 2 | 自动微分 | 自动微分的实现方式和原理 |
| 3 | 计算图 | 计算图的概念，图优化、图执行、控制流表达 |
| 4 | 分布式集群 | AI集群服务器架构、软硬件通信方式 |
| 5 | 分布式算法 | 大模型挑战，Transformer和MOE结构的大模型 |
| 6 | 分布式并行 | 数据并行、模型并行、混合并行的原理和策略 |
| 编号 | 名称 | 具体内容 |
| 1 | 传统编译器 | 传统编译器GCC与LLVM，LLVM详细架构 |
| 2 | AI 编译器 | AI编译器发展与架构定义，未来挑战与思考 |
| 3 | 前端优化 | AI编译器的前端优化(算子融合、内存优化等) |
| 4 | 后端优化 | AI编译器的后端优化(Kernel优化、AutoTuning) |
| 5 | 多面体 | 待更ing... |
| 6 | PyTorch2.0 | PyTorch2.0最重要的新特性：编译技术栈 |
| 编号 | 名称 | 具体内容 |
| 1 | 推理系统 | 推理系统整体介绍，推理引擎架构梳理 |
| 2 | 轻量网络 | 轻量化主干网络，MobileNet等SOTA模型介绍 |
| 3 | 模型压缩 | 模型压缩4件套，量化、蒸馏、剪枝和二值化 |
| 4 | 模型转换&优化 | AI框架训练后模型进行转换，并对计算图优化 |
| 5 | Kernel优化 | Kernel层、算子层优化，对算子、内存、调度优化 |
| 编号 | 名称 | 具体内容 |
| 1 | AI 计算体系 | 神经网络等AI技术的计算模式和计算体系架构 |
| 2 | AI 芯片基础 | CPU、GPU、NPU等芯片基础原理，与体系架构黄金10年 |
| 3 | 通用图形处理器 GPU | GPU的基本原理，英伟达GPU的架构发展 |
| 4 | 英伟达GPU的AI详解 | 英伟达GPU的TensorCore、NVLink深度剖析 |
| 5 | AI专用处理器 NPU | 华为、谷歌、特斯拉等专用AI处理器核心原理 |
近年来人工智能特别是深度学习技术得到了飞速发展，这背后离不开计算机硬件和软件系统的不断进步。在可见的未来，人工智能技术的发展仍将依赖于计算机系统和人工智能相结合的共同创新模式。需要注意的是，计算机系统现在正以更大的规模和更高的复杂性来赋能于人工智能，这背后不仅需要更多的系统上的创新，更需要系统性的思维和方法论。与此同时，人工智能也反过来为设计复杂系统提供支持。
我们注意到，现在的大部分人工智能相关的课程，特别是深度学习和机器学习相关课程主要集中在相关理论、算法或者应用，与系统相关的课程并不多见。我们希望人工智能系统这门课能让人工智能相关教育变得更加全面和深入，以共同促进人工智能与系统在开源方面的共同学习和讨论。
（原谅我复制粘贴微软AI-System的介绍，人家写得很好啦；另外推荐一个很好学习参考项目，华为公司跟英国麦络老师（爱丁堡大学）合作的机器学习系统：设计和实现。）