ai: 片上sram内存(L1)为主，算子一般执行很耗时，而且张量比较大，寄存器难以放下。cpu/dsp: 寄存器为主，指令本身执行完成就几个cycles的事情。

[zhongyunde@linux-122 ~/avpv280/SDK_DSP_HCC_TEST/SDK_HCC/build/release]$vi ~/.gitconfig [core]    pager = less -r    fileMode = true[user]    email = zhongyunde@huawei.com    name = zhongyunde ...

1、使用$F$3类似的处理，在拖动单元格时固定参考值

2、正则表达式。

深度学习计算框架中的自动化调优，尤其是高性能算子自动生成是这几年非常火的话题。这个系列的文章主要是对之前看到的零碎信息做个简单的总结。尽管，由于有些方向比较艰深，笔者懂得十分浅薄，文章在很多方面也只能蜻蜓点水。这是第一篇，权当是个引子。问题与挑战深度神经网络（DNN）已成为了当代AI的主流方法并在众多领域取得了前所未有的成功，但它巨大的计算量也给AI产品的落地带来了巨大的挑战。另一方面，计算机体系

人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，因此使用不同的权重将得到比较合理的灰度图像。根据实验和理论推导得出以下数值R: 0.299、 G: 0.587、 B: 0.1141、三原色RGB中对应可见光蓝色G在最中心，因此是最敏感的...

如果你使用的虚拟机软件是vmware，那么vmware 提供了文件夹共享这个功能，点击菜单栏的“虚拟机”--选择“设置”--再点击“选项（options）”选项卡，选择“shared folders”，在右边点选“enabled”单选项，在folders下面点击“add（添加）”按钮，选择要添加的文件或文件夹的路径，然后“ok”，再进入虚拟机的操作系统，右击“我的电脑”，选择“映射网络驱动器”选择

带有向量指令的微处理器将是未来的大趋势。为什么？因为自动驾驶、语音识别、图像识别都是基 于机器学习，并且机器学习都是关于矩阵和向量的。 但这不是唯一的原因。自从我们半官方地宣布摩尔定律结束以来，我们一直在拼命寻找更多的性 能。在微处理器设计的黄金旧时代，我们可以容易地每年将CPU的频率翻倍，每个人都很开心。这 个绝妙的老把戏结束了。性能的提高一直停滞不前，因此需要以不同的方式利用更多的晶体管进行并