StableHLO مجموعه ای از عملیات برای عملیات سطح بالا (HLO) در مدل های یادگیری ماشین (ML) است. اساساً، این یک لایه قابل حمل بین چارچوب‌های مختلف ML و کامپایلرهای ML است: چارچوب‌های ML که برنامه‌های StableHLO را تولید می‌کنند با کامپایلرهای ML که برنامه‌های StableHLO را مصرف می‌کنند سازگار هستند.
هدف ما ساده سازی و تسریع توسعه ML با ایجاد قابلیت همکاری بیشتر بین چارچوب های مختلف ML (مانند TensorFlow، JAX و PyTorch) و کامپایلرهای ML (مانند XLA و IREE) است.
StableHLO مبتنی بر گویش MHLO است و آن را با عملکردهای اضافی، از جمله سریال سازی و نسخه سازی، تقویت می کند. ما از بایت کد MLIR به عنوان فرمت سریال سازی استفاده می کنیم و تضمین های سازگاری با عقب و جلو را ارائه می دهیم. این امر سازگاری بین فریمورک‌ها و کامپایلرها را تضمین می‌کند، حتی زمانی که StableHLO به تکامل خود ادامه می‌دهد.
این مخزن شامل مشخصات StableHLO به همراه یک پیاده سازی مبتنی بر MLIR در C++ و Python است که می توانید از آن برای تعریف برنامه های StableHLO برای مصرف توسط کامپایلرهایی مانند XLA و IREE استفاده کنید.
دستورالعمل های ساخت
برای دستورالعمل های ساخت به StableHLO در GitHub مراجعه کنید.
انجمن
ایجاد یک لایه قابل حمل شگفت‌انگیز بین چارچوب‌های ML و کامپایلرهای ML نیازمند همکاری در کل صنعت ML است، بنابراین ما خوشحالیم که در پروژه StableHLO از کمک شما برخورداریم.
ما از مسائل / درخواست های GitHub برای سازماندهی توسعه و openxla-discuss برای بحث های طولانی تر استفاده می کنیم. ما همچنین یک کانال #stablehlo در سرور OpenXLA Discord داریم.