逸翎清晗🌈

Transforms库的使用介绍

实用包管理器的使用(如apt,brew)

Abstract 本综述系统性地回顾了自动调优领域的最新进展，并探讨了大型语言模型（LLMs）在代码优化和程序表示中的作用。通过整合算法、工具、数据集和基准测试等方面的研究成果，本工作总结了领域中的关键趋势、挑战和研究机会，构建了全面的框架，为未来研究提供了方向。 Introduction Motivation and Challenges 随着现代软件和硬件系统的复杂性不断增加，传统的手动性能调优方法已无法满足实际需求。数据驱动的自动调优技术和大型语言模型（LLMs）的引入，为性能优化提供了新思路。然而，领域内仍面临许多挑战，例如算法的可扩展性、模型的适应性、数据集偏差以及评价标准的不一致。这些问题的存在表明对这一领域进行系统性综述的必要性。 Contributions of This Survey 本综述的目的是通过整合自动调优和基于 LLM 的优化技术的最新研究，系统地梳理这一领域的发展现状和面临的问题。我们的主要贡献包括： Overview Survey Scope and Focus 本综述聚焦于自动调优技术和基于 LLM 的方法的交叉领域，涵盖算法、工具、数据集、基准测试和 ...

一些实用工具网站(已过期)

MediaBench 安装前提环境 Riscv32 GNU工具链 Qemu

EMBench 快速开始 注意：该教程的前置条件为安装riscv32-gnu工具链，python3.6+环境，qemu-riscv32环境。 第一步： git clone https://github.com/embench/embench-iot.git && cd embench-iot 第二步： # -lm用于加载数学库，请确保riscv32-gnu工具链在系统PATH中 # 速度基准(使用gcc与imc扩展) rm -rf bd/ && ./build_all.py \ --arch riscv32 \ --chip generic \ --board ri5cyverilator \ --cc riscv32-unknown-elf-gcc \ --cflags="-c -O2 -ffunction-sections -march=rv32imc -mabi=ilp32" \ --ldflags="-Wl,-gc-sections" \ --user-libs="-lm" # 代码大小基准(使用clang与imc ...