StableHLO คือชุดการดำเนินการสำหรับการดำเนินการระดับสูง (HLO) ในโมเดลแมชชีนเลิร์นนิง (ML) โดยพื้นฐานแล้ว เป็นเลเยอร์ความสามารถในการถ่ายโอนได้ระหว่างเฟรมเวิร์ก ML กับคอมไพเลอร์ ML แต่ละเฟรมเวิร์ก ML ที่สร้างโปรแกรม StableHLO เข้ากันได้กับคอมไพเลอร์ ML ที่ใช้โปรแกรม StableHLO
เป้าหมายของเราคือการลดความซับซ้อนและเร่งการพัฒนา ML ด้วยการสร้างความสามารถในการทำงานร่วมกันระหว่างเฟรมเวิร์ก ML ต่างๆ (เช่น TensorFlow, JAX และ PyTorch) และคอมไพเลอร์ ML (เช่น XLA และ IREE)
StableHLO อิงตามภาษาถิ่น MHLO และเพิ่มประสิทธิภาพด้วยฟังก์ชันการทำงานเพิ่มเติม ซึ่งรวมถึงการทำให้เป็นอนุกรมและการกำหนดเวอร์ชัน เราใช้ไบต์โค้ด MLIR เป็นรูปแบบการเรียงลำดับและให้การรับประกันความเข้ากันได้แบบย้อนหลังและไปข้างหน้า ซึ่งทำให้มีความเข้ากันได้ระหว่างเฟรมเวิร์กและคอมไพเลอร์ แม้ว่า StableHLO มีการพัฒนาอย่างต่อเนื่องก็ตาม
ที่เก็บนี้มีข้อกำหนดของ StableHLO รวมถึงการใช้งานที่ใช้ MLIR ใน C++ และ Python ซึ่งคุณนำไปใช้กำหนดโปรแกรม StableHLO สำหรับการใช้งานโดยคอมไพเลอร์ เช่น XLA และ IREE ได้
วิธีการสร้าง
ดูวิธีการบิลด์ได้ที่ StableHLO บน GitHub
ชุมชน
การสร้างชั้นการถ่ายโอนที่น่าทึ่งระหว่างเฟรมเวิร์ก ML กับคอมไพเลอร์ ML ต้องอาศัยความร่วมมือจากทั่วทั้งอุตสาหกรรม ML เราจึงยินดีให้ความช่วยเหลือคุณในโปรเจ็กต์ StableHLO
เรากำลังใช้ปัญหาเกี่ยวกับ GitHub / ดึงคำขอเพื่อจัดระเบียบการพัฒนาและ openxla-discuss สำหรับการพูดคุยยาวขึ้น นอกจากนี้เรายังมีช่อง #stablehlo บนเซิร์ฟเวอร์ OpenXLA Discord