论文用GPU编译证据指导NPU训练改写，报告平均1.7倍加速。
资讯摘要
论文提出TrainBridge，一种将GPU优化经验迁移到昇腾NPU训练的方法。作者指出，所研究的NPU训练程序中算子融合等框架级编译优化仅部分生效，导致计算碎片化和额外开销；TrainBridge以成熟GPU编译栈产出的优化执行为参考，提取优化意图指导NPU程序改写，并通过迭代性能分析精化。作者报告在四类负载上平均加速1.7倍，在27个Modded-NanoGPT记录上平均接近2.0倍。
要点速读
- 论文指出所研究的NPU训练程序中算子融合等编译优化仅部分应用，存在计算碎片化与可避免的执行开销。
- TrainBridge从GPU训练执行中提取优化意图，用于指导NPU程序改写，并借助迭代性能分析进一步精化。
- 作者报告：四类负载（LLM预训练、图像分类、视觉语言训练）平均加速1.7倍，27个Modded-NanoGPT记录平均接近2.0倍。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。