文档摘要

5.2 动态形状与编译时优化（JIT） 5.2 动态形状与编译时优化（JIT） 在深度学习框架日益走向通用化、模型结构日趋灵活的今天，静态图执行模式所依赖的“固定输入形状”假设正不断遭遇挑战。从自然语言处理中的变长序列，到计算机视觉中多尺度推理，再到新兴的动态神经网络架构（如神经架构搜索 NAS 或条件计算），张量的形状不再是一个编译期即可确定的常量，而成为运行时才可获知的变量。 会员。《5.2 动态形状与编译时优化（JIT）》收录于灏天文库文集《cuDNN深度学习GPU加速库教程》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/556-cudnn%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0gpu%E5%8A%A0%E9%80%9F%E5%BA%93%E6%95%99%E7%A8%8B

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流