TensorFlow生态对芯片厂商的影响
📚 共计 30 章节
01
AI芯片的黎明
从通用计算到专用加速，TensorFlow诞生的时代背景与芯片行业的第一次握手。
时代背景
芯片起源
02
TensorFlow架构初探
计算图、Session与Kernel，软件抽象层如何定义硬件接口。
计算图
Session
03
算子生态的建立
TensorFlow标准算子库如何成为芯片厂商必须兼容的“普通话”。
算子库
兼容标准
04
编译器中间表示（IR）
GraphDef与MLIR，软件IR如何成为硬件适配的桥梁。
MLIR
GraphDef
05
XLA编译器
即时编译（JIT）与提前编译（AOT），TensorFlow如何通过XLA优化硬件执行。
JIT
AOT
06
GPU的黄金时代
NVIDIA与cuDNN的深度绑定，TensorFlow如何成就了CUDA生态。
CUDA
cuDNN
07
Google TPU的崛起
从第一代到第四代，TensorFlow如何为自家芯片量身定制。
TPU
定制化
08
移动端与边缘计算
TensorFlow Lite的诞生，ARM与Qualcomm的机遇与挑战。
TFLite
边缘
09
量化技术的博弈
INT8与FP16，TensorFlow量化工具如何影响芯片的数值精度设计。
INT8
量化
10
硬件后端插件化
PluggableDevice接口，芯片厂商如何“插入”TensorFlow生态。
插件化
接口
11
异构计算与多设备调度
TensorFlow的设备放置策略，CPU/GPU/NPU如何协同工作。
异构
调度
12
内存管理与带宽优化
TensorFlow的内存分配器，芯片厂商如何优化HBM与DDR访问。
HBM
DDR
13
分布式训练与互联
AllReduce与Ring拓扑，TensorFlow如何定义芯片间通信标准。
AllReduce
Ring
14
模型压缩与剪枝
TensorFlow Model Optimization Toolkit，芯片厂商如何应对稀疏计算。
剪枝
稀疏
15
自定义算子与Kernel注册
芯片厂商如何通过自定义算子发挥硬件独特优势。
自定义
Kernel
16
性能基准与评测
MLPerf与TensorFlow Benchmark，芯片厂商的“跑分”竞赛。
MLPerf
Benchmark
17
软件栈的垂直整合
从框架到驱动，芯片厂商如何构建完整的TensorFlow软件栈。
软件栈
驱动
18
开源社区的协作模式
芯片厂商如何通过开源贡献影响TensorFlow发展方向。
开源
社区
19
华为昇腾与MindSpore
TensorFlow生态下的“另类”突围与兼容策略。
昇腾
MindSpore
20
寒武纪与Cambricon
AI芯片独角兽在TensorFlow生态中的生存之道。
寒武纪
Cambricon
21
Intel与oneAPI
传统芯片巨头如何通过oneAPI桥接TensorFlow生态。
oneAPI
Intel
22
AMD与ROCm
开源GPU生态如何兼容TensorFlow，挑战NVIDIA的护城河。
ROCm
AMD
23
RISC-V与AI加速
开源指令集架构在TensorFlow生态中的探索与可能性。
RISC-V
开源
24
FPGA与可重构计算
Xilinx与Intel FPGA如何通过TensorFlow实现动态加速。
FPGA
可重构
25
存算一体芯片
新兴架构如何适配TensorFlow的计算图与数据流。
存算一体
新兴架构
26
光计算与量子计算
TensorFlow在下一代计算范式中的角色与挑战。
光计算
量子
27
芯片设计的AI化
TensorFlow如何反过来帮助芯片设计自动化（EDA）。
EDA
AI设计
28
生态锁定与反锁定
芯片厂商如何避免被TensorFlow单一生态绑架。
生态锁定
反锁定
29
未来趋势：TFRT、TFLite与TFLM
TensorFlow生态的碎片化与统一化博弈。
TFRT
TFLM
30
总结与展望
AI芯片与软件框架的共生进化，下一个十年的技术路线图。
路线图
共生