Heterogeneity-Aware Lowering and Optimization (HALO)是异构计算加速度基于编译器的技术平台。
它通过称为开放深度学习 API ( ODLA )的抽象、可扩展接口来利用针对深度学习领域的异构计算能力。HALO 提供统一的 Ahead-Of-Time 编译解决方案，自动为云、边缘和物联网场景量身定制。
HALO 支持多种编译模式。在提前（AOT）编译模式下，HALO 将 AI 模型编译成用 ODLA API 编写的 C/C++ 代码。编译后的模型可以在具有相应 ODLA 运行时库的任何受支持平台上运行。此外，HALO 能够同时编译主机和异构设备代码。
下图为整体编译流程：
- 咖啡
- ONNX
- TensorFlow
- TFLite
很快将支持更多框架。
HALO 通过其
HgAI SDK支持
阿里巴巴的第一款 AI 推理芯片：
Hanguang-800 NPU。含光800 NPU由阿里巴巴集团旗下企业
T-Head Semiconductor Co., Ltd.（又名PingTouGe）设计。
通过针对各种异构加速器/运行时的 ODLA 运行时库集支持广泛的 ODLA 生态系统：
我们欢迎新的加速器平台加入 ODLA 社区。
ODLA API 参考可以在
这里找到 ，详细的编程指南即将推出...
https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/README.md#partners 伙伴
我们感谢以下合作伙伴对 ODLA 运行时的支持：
如何使用光环
要构建 HALO，请按照
此处的说明进行操作。
使用 HALO 部署模型的工作流程包括：
- 使用 HALO 将模型文件编译为基于 ODLA 的 C/C++ 源文件。
- 使用 C/C++ 编译器将生成的 C/C++ 文件编译为目标文件。
- 将目标文件、权重二进制文件和特定的 ODLA 运行时库链接在一起。
https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/README.md#a-simple-example 一个简单的例子
让我们从一个基于
TensorFlow Tutorial的 MNIST 的简单示例开始 。下图显示了整体工作流程：
简要说明：
HALO 生成 3 个文件：
- mnist.h ：应用程序要使用的头文件。
- mnist.cc ：代表模型的 ODLA C++ 文件。
- mnist.bin : ELF 格式的权重。
对于应用程序，推理被简单地视为一个函数调用
mnist()
。
请注意，出于可移植性的目的，即使输出文件 model.cc 是 C++ 格式，HALO 也始终以 C 约定导出函数。
更详细的解释可以在
找到。示例代码可以在
找到
https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/models/vision/classification/mnist_simple有关所有命令行选项，请参阅
HALO 选项列表https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/README.md#more-examples 更多例子
https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/README.md#contributing 贡献
我们一直在寻求帮助以改进 HALO。有关更多详细信息，请参阅
贡献指南。谢谢！
https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/README.md#resources 资源
https://github.com/alibaba/heterogeneity-aware-lowering-and-optimization/blob/master/README.md#license 执照
HALO 在
Apache 2.0 许可下获得
许可