目录1TPU-MLIR简介2开发环境搭建2.1下载镜像2.2下载SDK2.3创建容器2.4加载tpu-mlir3准备工作目录4onnx转mlir文件5mlir转INT8模型5.1生成校准表5.2便以为INT8对称量化模型参考文献：之前是用nntc转算能科技的模型的，这次技术支持建议我使用mlir工具进行模型转换，于是看一下mlir的介绍资料和使用方法，并做一下笔记。1TPU-MLIR简介上图就是t

把不同框架下的搭建起来的模型，转换为统一形式的中间表达IR，然后通过IR转换成可以在特定芯片平台上运行的二进制模型Top，芯片无关层：图优化、量化、推理Tpu，芯片相关层，权重重排、算子切分、地址分配、推理2、TPU-MLIR

TPU-MLIR——实现Chatglm2-6B大模型移植部署本项目实现BM1684X部署语言大模型ChatGLM2-6B。

论文讲解——TPU-MLIR:ACompilerForTPUUsingMLIRhttps://arxiv.org/pdf/2210.15016.pdf概览模型转换TranslationCanonicalizeLoweringLayerGroup

Milk-VDuo开发板实战——基于MobileNetV2的的图像分类本教程介绍使用TPU-MLIR工具链对MobileNet-Caffe模型进行转换，生成MLIR以及MLIR量化成INT8模型，并在Milk-VDuo

1.编译ONNX模型本章以resnet18.onnx为例,介绍如何编译迁移一个onnx模型至BM1684XTPU平台运行。该模型来自onnx的官网:models/vision/classification/resnet/model/resnet18-v1-7.onnxatmain·onnx/models·GitHub本例模型和代码在http://219.142.246.77:65000//shar

注意：由于SOPHGOSE5微服务器的CPU是基于ARM架构，以下步骤将在基于x86架构CPU的开发环境中完成初始化开发环境(基于x86架构CPU的开发环境中完成)模型转换(基于x86架构CPU的开发环境中完成)处理后的PP-OCR项目文件将被拷贝至SE5微服务器上进行推理测试开发环境配置【x86架构CPU的开发环境】Linux开发环境一台安装了Ubuntu16.04/18.04/20.04的x8

队伍：AP0200023目录初赛一、模型导出优化1.1直接倒出原始模型并转换1.2导出模型前处理1.2.1导出Resize1.2.2导出归一化1.3导出模型后处理1.3.1导出Resize与1.3.2导出ArgMaxout1.3.3导出特征转RGB复赛一、确定baseline二、优化模型复赛结果总结三、遇到的问题总结1.ONNX转MLIR2.MLIR转bmodel3.MLIR推理代码BUG【已经解

详细步骤2．可复现的结果二、解决问题的过程2.1列举在适配过程中遇到的困难，以及解决方法a．低分辨率下，分割误差大工2.2低分辨率下，输出仍然不够准确2.3最优分辨率选择2.4其他还没来得及做的优化三、提出TPU-MLIR

本次活动主要征集AI、CV、TPU-MLIR、RISC-V等方向的代表性视频和文章，面向国内外的企业、高校和科研院所的优秀开发者。

1、开发环境配置Linux开发环境一台安装了Ubuntu16.04/18.04/20.04的x86主机，运行内存建议12GB以上下载SophonSDK开发包(v23.03.01)（1）解压缩SDK包sudoapt-getinstallp7zipsudoapt-getinstallp7zip-full7zxRelease_-public.zipcdRelease_-public（2）Docker安装

由算能举办的TPU编程竞赛-AI应用挑战赛正式开赛啦！本次大赛会为选手们提供一个预训练的分割模型UNet及数据集，无需训练模型，选手使用算能的MLIR开源编译器进行编译、量化及调优，兼顾精度与推理速度，最终实现UNet模型在算能1684X芯片上的部署。图像分割是图像处理和计算机视觉领域的一个重要课题，广泛应用于场景理解、医学图像分析、机器人感知、视频监控、增强现实和图像压缩等领域，UNet作为经典

TPU-MLIR开源AI编译器的视频教程，已经同步更新B站、知乎、CSDN等平台，旨在通过一系列的课程让观众一步步深入了解AI编译器的原理及开发。