一种从函数式卷积表达式到C代码的重写转换方法技术

本发明专利技术提供了一种在Coq定理证明器中以函数式方式表达AI神经网络算子的方法，实现了一种将函数式卷积表达式转换为C代码的重写技术。主要包括六个关键部分，张量原语的形式化定义、中间变量绑定值的形式化定义、张量原语及中间变量绑定值的命令式组合子的形式化定义、张量原语及中间变量绑定值的重写规则的形式化定义、函数式张量卷积表达式的定义，以及其他AI神经网络算子如池化、激活等的表达式形式化定义。对于后续在Coq中进行神经网络算子正确性验证和优化提供了有力支持。有效规避了传统深度学习框架中常见的形状不匹配和不可靠性等问题。这为构建高可靠性的AI编译器打下了坚实的基础。

【技术实现步骤摘要】

本专利技术属于形式化方法与ai编译器领域，具体涉及一种从函数式卷积表达式到c代码的重写转换方法。

技术介绍

1、现有ai编译器的主要挑战之一是将ai神经网络模型适配到各种复杂的并行计算ai处理器上，包括多核并行计算、gpu、fpga、tpu和其他ai专用加速器，并针对硬件对各种算子进行优化，以提高程序性能并确保优化后的代码与原始代码的等价性。这就需要解决大规模ai计算和ai硬件资源之间的软件适配以及正确性验证问题。

2、传统上，现有ai编译器通常使用命令式语言编写编译器代码并对代码进行优化。然而，随着ai模型和应用的复杂度不断增加，命令式语言在处理这些问题时难度急剧加大，在尝试不同的并行化策略时通常难以进行灵活的重构，导致优化过程变得复杂且难以管理，增加了代码优化的难度。此外，验证优化前后代码的等价性也变得更加困难。现有ai编译器，如glow、tensor comprehensions等，采用各种优化技术生成深度学习模型代码，以适应不同硬件体系结构。然而，这些方法通常依赖于手动编写固定的模板来优化代码，难以充分利用硬件加速器的底层特性，并且难以本文档来自技高网...

【技术保护点】

1.一种从函数式卷积表达式到C代码的重写转换方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种从函数式卷积表达式到C代码的重写转换方法，其特征在于，所述步骤(1)的实现具体为：使用了一个从下标索引到元素值的第一映射函数(f:finn->exp d)，以构造张量原语mkvSeq，其中fin n是从0到n-1的自然数，d是一个归纳定义的数据类型，exp是一个表达式类型。

3.根据权利要求2所述的一种从函数式卷积表达式到C代码的重写转换方法，其特征在于，所述步骤(2)的实现，定义了一个中间变量绑定值let_binding，其接受两个类型参数d1和d...

【技术特征摘要】

1.一种从函数式卷积表达式到c代码的重写转换方法，其特征在于，具体包括以下步骤：

2.根据权利要求1所述的一种从函数式卷积表达式到c代码的重写转换方法，其特征在于，所述步骤(1)的实现具体为：使用了一个从下标索引到元素值的第一映射函数(f:finn->exp d)，以构造张量原语mkvseq，其中fin n是从0到n-1的自然数，d是一个归纳定义的数据类型，exp是一个表达式类型。

3.根据权利要求2所述的一种从函数式卷积表达式到c代码的重写转换方法，其特征在于，所述步骤(2)的实现，定义了一个中间变量绑定值let_binding，其接受两个类型参数d1和d2，以及一个表达式e和一个第二映射函数，...

【专利技术属性】
技术研发人员：张晓丽，陈钢，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：