逸翎清晗🌈

逸翎清晗🌈

OSACA

发表于 2025-01-24 | 更新于 2025-04-14 | 编译器profile工具 | Profiling | 条评论

关于OSACA静态新功能分析数据的使用

工具链——LLVM

工具链——LLVM

发表于 2025-01-20 | 更新于 2025-04-14 | 编译器LLVM | LLVM • clang | 条评论

llvm常用工具链详解

MLinker

发表于 2025-01-08 | 更新于 2025-04-14 | 编译器LLVM | Compiler • LTO • linker | 条评论

98eb2d93eaa46b6e84ccf5b83a7b894cbf84103891b013c1a0f20b6c27614e7679b0f3bc28a2423e1ec566a518e132715572561b9e8a924bedc1a67c7ce3c29bd0c213ad9e9ac29efa16eb75371eaa43648228f2a292289d9fc75177a066e424e9db125e4e649e8be8b55f51441a2955064d198f4c5324cef418608e91280bd9ee1603a314c5e849bd8b21d8923a5e559f4de66c5aee4c3a9977aa45a345cee8b929ebca88bdb55759710d85ae32a529270aaa0211ebf55c1b506ba5a71cf021833787257d65dcca521dd0f38a4b1f53e811b9b8576282336d2079d91113dd841b7a06c8c6433f9e700c2d5fc5b6a1c12cb5875730f337380 ...

模块实践——BOLT

模块实践——BOLT

发表于 2025-01-07 | 更新于 2025-04-14 | 编译器LLVM | Compiler • optimization • post-link | 条评论

LLVM-BOLT的使用

PEFT

发表于 2025-01-04 | 更新于 2025-04-14 | 大模型微调 | fine-tuing • MachineLearning • PEFT | 条评论

参数高效微调基础知识

SimHash算法

发表于 2025-01-03 | 更新于 2025-04-14 | 大模型数据集 | algorithm • SimHash • Datasets | 条评论

数据集去重算法——SimHash

常用超参数

常用超参数

发表于 2025-01-02 | 更新于 2025-04-14 | 大模型微调 | fine-tuing • MachineLearning • NLP • LLM | 条评论

常用机器学习超参数大全

Huggingface—Transfomers-NLP

Huggingface—Transfomers-NLP

发表于 2025-01-01 | 更新于 2025-04-14 | 大模型库 | MachineLearning • NLP • Hugging-face • Transformers | 条评论

Transforms库的使用介绍

DataRecipe — How to Cook the Data for CodeLLM?

DataRecipe — How to Cook the Data for CodeLLM?

发表于 2024-12-25 | 更新于 2025-04-14 | 论文CodeGen | 条评论

PackageManager

发表于 2024-12-25 | 更新于 2025-04-14 | 操作系统命令 | linux • OS | 条评论

实用包管理器的使用(如apt,brew)

SLTrans

发表于 2024-12-24 | 更新于 2025-04-14 | 大模型数据集 | 条评论

IRCoder→LLVM数据集SLTrans实战

Machine Learning for Compilers-A Modern Perspective

Machine Learning for Compilers-A Modern Perspective

发表于 2024-12-23 | 更新于 2025-04-14 | 论文Drafts | Compiler • MachineLearning | 条评论

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。 IntroductionMotivation 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： OverviewSurvey 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、基准测试和方法论等多个 ...

数据库加载中