计算图(Computational Graph)是机器学习和深度学习中非常重要的概念。它是一种数据结构,用于表示算法中的计算过程。计算图由节点(Node)和边(Edge)组成,节点代表计算操作,边代表数据流向。
计算图的每个节点都表示一个计算操作,如加法、乘法、激活函数等。节点之间通过边连接,边表示数据在节点之间流动的方向。计算图描述了整个算法的计算过程,从输入数据开始,经过一系列的计算操作,最终得到输出结果。
-
我们现在提供一个框架，它能够实现最为基础同时也是最为关键的 ai 模型应该有的功能．现在提供的框架使用的基础数据类型是tensor, 在我们的模型中，tensor只是被设计成了二维的张量用于简化实现（如果你已经看懂了整个 project 并且完成了我们的任务，你可以尝试实现普遍 ai 模型中使用的四维张量）
-
同时为了简化，我们的框架只能处理一个 input 和 一个 output (你也可以尝试优化)
-
为了方便顺利完成任务，可能需要了解一些 ai 的基本知识
下面是整个框架的结构
git clone https://github.com/MITEGithub/easy-tensorflow.git-
补全 project 中的 blanks ，让整个 project 能够正常的使用
-
为框架设计三种新的 operator ，分别是 add, relu, conv2d，完善框架的功能
-
尝试优化框架的速度
-
本次 project 一共分成4个文件夹，其中的test文件夹是你这次进行测试的主要文件夹．当完成了整个 project 之后，如果你想测试一下自己的 opt 与学长的实现是否相同，你可以使用在 project 主目录下的 control.py， 它会完成你的框架编译,并将其与我们已经生成的静态库文件进行结果的对比
-
本次任务的主要修改点是在 src 文件夹下，其他文件夹中的内容可以不进行改动
-
除了进行比对测试之外，你也可以使用makefile对项目进行正常的操作，比如编译，运行
- 了解 ai 框架的基本思想，思考 model 引入计算图的好处，理解 forward() 和 backward() 的工作原理
- 加深对C++的理解，感受泛型编程给代码编写带来的灵活性
- 学会分析对于一个 project，哪里才是我优化的热点，能对热点进行适当的优化