月度归档： 2026 年 4 月

C++ 算子后端自动化适配：利用 C++ 模板元编程实现对不同硬件厂商（NVIDIA/AMD/Intel）算子库的统一路由 各位好，我是你们的 C++ 服务器端架构师兼深度学习框架维护者。 今天我们不聊虚的，我们聊点“痛”的。痛在何处？痛在当你试图让你的深度学习模型在 NVIDIA 显卡上跑得飞起，在 AMD 显卡上也能跑，甚至还想在 Intel 的 CPU 上跑的时候，你的代码库变成了一团乱麻。 想象一下，你是一个大厨（程序员）。你的菜单（算子库）里有一道菜叫“矩阵乘法”（GEMM）。NVIDIA 厨师擅长用 CUDA 火炒，AMD 厨师擅长用 HIP 爆炒，Intel 厨师擅长用 OpenCL 煎。如果每次点菜，你都得问服务员：“哎，请问这位客人是用 NVIDIA 还是 AMD 的锅做的？” 如果服务员每次都要问，那这个餐厅（代码）就太慢了，而且容易出错。最好的情况是，客人在点菜前就把自己的锅（硬件类型）报备了，服务员直接把菜端给对应的厨师。这就是我们今天要讲的主题：利用 C++ 模板元编程（TMP）实现的自动化后端适配。 别被“模板元编程”这四个字吓到了，这听起来很高大上，其实它 …

继续阅读“C++ 算子后端自动化适配：利用 C++ 模板元编程实现对不同硬件厂商（NVIDIA/AMD/Intel）算子库的统一路由”

C++ 协程与推理流水线：告别 std::thread，拥抱异步之美 各位同学，大家好！ 欢迎来到今天的“C++ 极客大会：如何用协程把 LLM 推理跑出光速”专场。 坐在我旁边的这位老兄（假设他是一块显卡），他脾气很暴躁。如果你让他做一件事，他就要花 10 毫秒。如果你让他做十件事，他就得花 100 毫秒。如果你让他同时做十件事，他……他只会生气，因为他的算力是有限的。 而在我们写代码的时候，往往需要同时做三件事：把你的文本变成数字（预处理），让显卡算出下一个字（推理），再把数字变回文本（后处理）。如果用老派的写法，就像是用一只手同时剥十个橘子，汁水四溅，最后还得自己擦桌子。 今天，我们要讲的就是怎么用 C++ 协程，像指挥交响乐团一样指挥这三个阶段。我们要构建一个高并发、异步编排的推理流水线。 准备好了吗？让我们开始这场“异步之旅”。 第一回：同步代码的“便秘”时刻 在 C++ 里，如果你不想用协程，最常用的手段就是 std::thread。这就像是让厨师A炒菜，厨师A炒完一道菜，必须喊一声“好了”，厨师B才能开始炒下一道。 问题来了： 资源浪费： 厨师A（CPU）在等待厨师C切菜 …

继续阅读“C++ 与 推理流水线：基于 C++ 协程实现预处理、模型计算与后处理的高并发异步编排架构”

别让你的模型裸奔：C++ 中的流式解密保卫战 各位同学，大家好！ 今天我们不谈那些花里胡哨的 Prompt Engineering，也不聊怎么调教那个有点“小脾气”的 GPT-4。今天，我们要聊点硬核的，甚至可以说是有点“血腥”的话题。 想象一下，你辛辛苦苦，熬了三个通宵，调优了参数，终于训练出了一个在图像识别领域能打败 99% 同行的神经网络模型。这个模型，就是你公司的“摇钱树”，是你吃饭的家伙。然后，你把它部署到了 C++ 推理服务里。一切看起来都很完美，服务跑得飞快，推理延迟低得感人。 但是，问题来了。 如果有人把你的程序关掉，用十六进制编辑器打开那个模型文件（比如 .bin 或者 .onnx），他会看到什么？他会看到一长串密密麻麻的浮点数。这些数字，就是你的“商业机密”。如果这些数字被别人拿去，重新训练，甚至直接用，你的护城河瞬间就会干涸。 这就好比你把家里的保险柜钥匙挂在了门把手上，还贴了个标签写着“请随意使用”。 所以，今天我们要讲的主题非常严肃：在 C++ 推理服务中，如何利用对称加密与内存解密流，给我们的神经网络权重穿上防弹衣。 准备好了吗？让我们开始这场保卫战。 第一 …

继续阅读“C++ 模型加密加载：在 C++ 推理服务中利用对称加密与内存解密流保护神经网络权重的商业机密”

各位好，欢迎来到今天的“深度学习后端优化”专题讲座。我是你们的老朋友，一个在 C++ 模板元编程和神经网络引擎之间反复横跳的资深“搬砖工”。 今天我们要聊的话题，听起来可能有点枯燥，甚至有点像是在给计算机系大一新生讲基础课，但请相信我，这可是能让你的神经网络模型推理速度提升 20%、30% 的黑魔法。 主题：C++ 与神经网络拓扑优化——利用 C++ 在编译期对计算图进行算子合并与冗余转置消除的静态分析。 听起来是不是很高大上？别被这些术语吓到了。简单来说，神经网络在跑的时候，就像一个精力过剩的搬家公司。它把数据从 A 地搬到 B 地，再从 B 地搬到 C 地。中间有很多搬运工（算子），他们有时候会把箱子转个身（转置），有时候会停下来擦擦汗（中间存储）。而我们今天要做的，就是在这个搬家公司开业之前，也就是在编译的时候，抓着老板的领子，告诉他：“嘿，你把那个箱子转了180度，结果发现还是原来的方向，这简直是浪费生命！还有，那个搬箱子的人和擦汗的人能不能合并成一个？别让箱子落地了！” 让我们开始吧。 第一部分：神经网络里的“转置之舞” 首先，我们要理解为什么神经网络里会有转置。 在深度学习 …

继续阅读“C++ 与 神经网络拓扑优化：利用 C++ 在编译期对计算图进行算子合并与冗余转置消除的静态分析”

显存地狱：C++ 深度学习框架中的显存池碎片管理艺术 各位 C++ 极客，各位正在与显卡“搏斗”的深度学习工程师们，大家好！ 今天，我们要聊一个沉重的话题，一个让无数模型训练在凌晨三点突然崩掉、让老板在周会上暴跳如雷的话题——显存碎片。 想象一下，你是一个在大城市打拼的年轻人。你租了一间 100 平方米的公寓，房租便宜得离谱。但是，你的室友是个奇葩。他把 1 平方米的床放在了 90 平方米的地方，剩下的空间被他塞满了 1 平方米的小柜子。现在，你想住进来，或者想再放一个衣柜，结果发现：100 平方米的地方，你连个转身的地方都没有。 这就是显存碎片。在 GPU 的世界里，显存就是那 100 平方米的公寓，而你的模型参数、激活值、梯度，就是那些乱七八糟的家具。 我们用 C++ 写深度学习框架，用的不是 Python，Python 那边有 gc（垃圾回收），虽然慢，但它能自动把垃圾扫了。而在 C++ 里，显存是“一锤子买卖”。cudaMalloc 分给你一块，你就得把它填满，或者 cudaFree 掉。如果你分了一块 1GB 的显存，只用了 100MB，剩下的 900MB 就这么干瞪眼等着， …

继续阅读“C++ 与 显存池碎片管理：在 C++ 深度学习框架中利用虚拟地址映射实现显存空洞的动态紧缩策略”

嘿，各位未来的 C++ 极客，还有那些正在被大模型推理折磨得死去活来的工程师们，大家好！ 欢迎来到今天的“深度技术脱口秀”。我是你们的老朋友，那个在内存墙面前撞得头破血流但依然死磕性能的资深编程专家。 今天我们不聊那些虚头巴脑的理论，我们聊点硬核的。聊聊怎么让 C++ 像法拉利一样在内存的泥潭里飞驰。我们的主题是：在 C++ 推理引擎中，如何利用多线程分块（Tiling）算法，让你的大矩阵乘法（GEMM）跑出光速，同时让 CPU 缓存笑得合不拢嘴。 准备好了吗？让我们把那些繁琐的教科书扔进垃圾桶，直接进入实战模式。 第一章：矩阵乘法的“贫穷”与“饥饿” 首先，让我们看看我们要解决的问题。假设你要计算两个矩阵 $A$ 和 $B$ 的乘积 $C = A times B$。 如果你是刚入门的菜鸟，你会写出这样的代码： // 糟糕透顶的代码，请勿模仿 void naive_gemm(const float* A, const float* B, float* C, int N) { for (int i = 0; i < N; ++i) { for (int j = 0; j < …

继续阅读“C++ 张量并行计算：在 C++ 推理引擎中利用多线程分块（Tiling）算法优化大矩阵乘法的缓存利用率”