技术分享 | 如何基于阿里云AIACC加速Stable-Diffusion AI绘画
AIACC是基于阿里云IaaS资源推出的神龙AI性能加速套件，用于优化基于AI主流计算框架搭建的模型，能显著提升训练和推理性能。AIACC神龙AI推理加速套件由AIACC-Torch(Pytorch推理加速引擎)、AIACC-MLIR(MLIR推理加速引擎)、AIACC-HRT(AIACC算子深度加速引擎)等组件构成。AIACC神龙AI性能加速套件能够为Stable-Diffusion提供加速优化支持，在512x512分辨率下，可将单张图片的延迟从2秒降低至0.88秒，吞吐提速至原来的2.2倍。
深度学习环境搭建笔记(一)：detectron2安装过程
这篇博客文章详细介绍了在Windows环境下，使用CUDA 10.2配置深度学习环境，并安装detectron2库的步骤，包括安装Python、pycocotools、Torch和Torchvision、fvcore，以及对Detectron2和PyTorch代码的修改。
转载：【AI系统】AI系统概述与设计目标
本文介绍了AI系统全栈架构，涵盖AI系统的设计目标、组成和生态，强调了系统性能、用户体验、稳定性及开源社区运营的重要性。文章详细解析了AI系统的基本概念、定义及其设计挑战，旨在为读者构建AI系统知识体系，助力AI技术的全面发展。通过对比传统软件和云计算架构，阐述了AI系统在连接硬件与应用间的独特作用，探讨了高效编程语言、开发框架和工具链的设计，以及AI任务的系统级支持，包括计算能力的扩展、自动编译优化、云原生自动分布式化等方面，为应对AI技术的新挑战提供了全面视角。
23_Transformer架构详解：从原理到PyTorch实现
Transformer架构自2017年Google发表的论文《Attention Is All You Need》中提出以来，彻底改变了深度学习特别是自然语言处理领域的格局。在短短几年内，Transformer已成为几乎所有现代大型语言模型（LLM）的基础架构，包括BERT、GPT系列、T5等革命性模型。与传统的RNN和LSTM相比，Transformer通过自注意力机制实现了并行化训练，极大提高了模型的训练效率和性能。
图神经网络的数学原理总结
图深度学习(Graph Deep Learning) 多年来一直在加速发展。本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释
