ChatGPT-LLM PRERA | 逸翎清晗🌈
avatar
文章
168
标签
39
分类
52
首页
文章
  • 归档
  • 标签
  • 分类
专区与和合辑
  • 多媒体资料专区
  • 论文导读专区
  • 学术会议专区
  • 推荐学习资料专区
  • 学习路线专区
编译器
操作系统
集成电路
AI编译
大语言模型
程序设计
计算理论
分布式
后台
  • 画廊
  • 统计
  • 休闲
  • 旧时光
  • 个人
  • 关于
逸翎清晗🌈
首页
文章
  • 归档
  • 标签
  • 分类
专区与和合辑
  • 多媒体资料专区
  • 论文导读专区
  • 学术会议专区
  • 推荐学习资料专区
  • 学习路线专区
编译器
操作系统
集成电路
AI编译
大语言模型
程序设计
计算理论
分布式
后台
  • 画廊
  • 统计
  • 休闲
  • 旧时光
  • 个人
  • 关于
PAGE_NAME
搜索

ChatGPT-LLM PRERA

发表于 2025-04-01|更新于2025-06-13|GPT 问答
|字数总计:14|阅读时长:1分钟|阅读量:
ChatGPT-LLM PRERA
https://yangzi.world/blog/posts/c9d2ab4e.html
作者
逸翎清晗🌈
发布于
2025-04-01
更新于
2025-06-13
许可协议
CC BY-NC-SA 4.0
cover of previous post
上一篇
ChatGPT-LLMISched
cover of next post
下一篇
ChatGPT-IR数据集
评论
目录
  1. LLVM pre-RA调度优化
    1. Prompt:
    2. Response:
    3. Prompt:
    4. Response:
  2. 基于机器学习的LLVM寄存器分配前指令调度优化方案
    1. LLVM现有pre-RA指令调度器及其局限性
    2. 相关机器学习指令调度工作及不足
    3. 数据收集方案
    4. 机器学习模型设计
    5. 训练与测试计划
    6. 部署与集成方案
    7. 潜在挑战与应对措施
    8. 论文写作建议
    9. Prompt:
    10. Response:
      1. 论文候选标题
    11. 适合投稿 ASPLOS / CGO / MICRO 吗？
    12. “模拟审稿人”尖锐问题与应对策略
      1. 面对质疑时的总体策略
    13. Prompt:
    14. Response:
    15. Prompt:
  3. preds left : 2
  4. succs left : 0
  5. rdefs left : 0
  6. preds left : 0
  7. succs left : 1
  8. rdefs left : 1
  9. preds left : 1
  10. succs left : 1
  11. rdefs left : 0
  12. preds left : 0
  13. succs left : 1
  14. rdefs left : 0
    1. Response:
    2. ① 证明泛化性的全链条实验设计
    3. ② 把 ScheduleDAG 转成模型输入
      1. 1. 解析原则
      2. 2. 图构建
      3. 3. GNN 消息传递示例
      4. 4. 动态状态特征
      5. 5. 从示例 DAG 提取的向量（概念版）
      6. 小结
    4. Prompt:
    5. Response:
      1. 结论性答复
    6. Prompt:
    7. Response:
    8. ①　GNN / RNN 与强化学习如何协同？
    9. ②　强化学习的“终点”与奖励构造
    10. ③　训练规模与资源估算
    11. ④　模型输入 / 输出格式（ONNX 推理接口）
    12. ⑤　是否需要在线学习？
      1. 组合小结
    13. Prompt:
    14. Response:
      1. 一、到底该收哪些参数？——给你一张“40 + 因子速查表”
      2. 二、工程落地：从仓库结构到复现脚本
      3. 三、学习资源：现成 RL-Compiler 开源项目
      4. 四、问题逐条回答
    15. Prompt:
    16. Response:
    17. ① 强化学习库 / 环境选型
    18. ② 训练资源预估
    19. ③ “DAG → RL 环境” 全流程拆解
      1. 1. 图静态 / 动态拆分思路
      2. 2. 代码雏形（PyG + TorchRL）
      3. 3. GNN + GRU 模型
      4. 4. “实时” 反馈的工程技巧
    20. ④ 我完全没做过 GNN / RL，怎么入门？
      1. 小结
    21. Prompt:
    22. Response:
    23. ① 模型在各阶段的角色
    24. ② 动态量（如溢出数）的编码
    25. ③ 极简 Demo（全中文注释）
      1. 读完你应能回答
    26. Prompt:
      1. Final schedule
    27. Response:
    28. Prompt:
      1. 我们需要保留的关键信息：
      2. 可以丢弃的内容：
      3. 模型输入的格式设计：
      4. 具体输入特征示例：
      5. 图结构表示：
      6. GNN + RL 模型训练：
      7. 总结：
    29. Response:
    30. Prompt:
      1. 1. 如何匹配 MBB 级别的调度与最终的性能反馈
        1. 1.1 MBB 级别调度与性能反馈的映射问题
        2. 1.2 解决方案：基于 全局累积反馈 的映射
          1. 1.2.1 累积反馈机制
          2. 1.2.2 时间延迟的考虑
        3. 1.3 奖励结构设计
      2. 2. 如何处理实时反馈的问题
        1. 2.1 模型训练中的时间同步
          1. 2.2 解决方案：使用 蒙特卡罗方法 和 信号平滑
      3. 3. 如何设计 MBB 级别的调度与指令级别的奖励匹配
        1. 3.1 结构化奖励设计
        2. 3.2 图结构与调度之间的关系
      4. 4. 具体方案总结
        1. 4.1 奖励信号的计算
        2. 4.2 反馈机制的设计
        3. 4.3 训练和推理分离
      5. 结论：
    31. Response:
    32. Prompt:
      1. 问题分析：如何处理由于 perf 工具的正常波动导致的反馈信号不稳定问题
      2. 解决方案：通过信号平滑和噪声抑制来克服 perf 工具的波动问题
      3. 1. 使用统计平滑技术（平滑奖励信号）
        1. 1.1 指数加权移动平均（Exponential Moving Average, EMA）
        2. 1.2 移动平均（Moving Average, MA）
        3. 1.3 均值-方差归一化（Mean-Variance Normalization）
      4. 2. 反馈延迟与奖励信号平滑
        1. 2.1 奖励信号延迟补偿
        2. 2.2 累积奖励模型（Cumulative Rewards）
      5. 3. 基于经验回放的噪声消除
        1. 3.1 经验回放（Experience Replay）
        2. 3.2 目标网络（Target Network）
      6. 4. 最终方案的实现
      7. 结论：
    33. Response:
    34. Prompt:
      1. 1. 强化学习模型与传统机器学习模型的异同
        1. 相同点：
        2. 不同点：
      2. 2. 强化学习训练出的 ONNX 模型
        1. 训练流程：
        2. 推理阶段：
      3. 3. 如何进行强化学习推理
        1. 输入：
        2. 输出：
        3. 反馈：
      4. 4. 总结
    35. Response:
    36. Prompt:
    37. 1 | 数据与状态初始化
    38. 2 | Supervised Imitation → RL 逐段温升
      1. 2.1 交叉熵模仿 (Epoch 0-3)
      2. 2.2 混合行为策略 (Epoch 4-6)
      3. 2.3 PPO warm-start (Epoch 7+)
    39. 3 | 确保“永远不出错序列”的两道闸
    40. 4 | 奖励冷启动——避免朝错误方向爬
    41. 5 | 实践 Tips
      1. 结论
    42. Response:
    43. Prompt:
    44. ① 训练时的「状态-动作-转移」细粒度流程
    45. ② 用“静态 + 模拟”参数代替 noisy perf 的奖励源
    46. ③ 写出“能进 ASPLOS”的行文框架
      1. 一句话总结
    47. Response:
    48. Prompt:
    49. 详细展开
      1. ① 逐步决策是怎样的
      2. ② 轻量性能预估器雏形
      3. ③ “组合嵌入”示例
    50. 写进论文的卖点

《咏菊》 林黛玉

无赖诗魔昏晓侵，绕篱欹石自沉音。
毫端蕴秀临霜写，口角噙香对月吟。
满纸自怜题素怨，片言谁解诉秋心。
一从陶令平章后，千古高风说到今。✨
A tour for Stars

内容导航💡

  • 网址导航我的画廊
  • 关于作者文章归档
  • 文章分类文章标签
©2025  By 逸翎清晗🌈

搜索
数据库加载中
复制百度搜索
转到链接
粘贴
空降评论复制本文地址
新窗口打开转到链接复制链接
保存图片在新窗口打开复制图片链接
随便逛逛昼夜切换关于博客美化设置切换全屏打印页面