Star1041
527
代码
代码
Issues236
Pull Requests185
Actions
项目讨论
Wiki
分析
Star1041
527
已合并
add chapter01 to master br #786
wangmingming创建于 20 天前
add chapter01 to master br #786
已合并
wangmingming创建于 20 天前
从gcw_WTfSfUy7/cann-learning-hubwmm_master_chapter01合入到cann/cann-learning-hubmaster
共 12 个文件变更+868-0
Atutorials/autofusion_development/01_basic_overview/01.01_chapter_intro.ipynb+59-0
@@ -0,0 +1,59 @@
1+{
2+ "cells": [
3+ {
4+ "cell_type": "markdown",
5+ "id": "md00",
6+ "metadata": {},
7+ "source": [
8+ "# AutoFuse 基础介绍\n",
9+ "\n",
10+ "本章帮助你建立 AutoFuse 的整体认知并掌握基础使能方式，从\"什么是 AutoFuse\"开始，逐步介绍其核心价值、接入路线、融合过程及开启方式等。\n",
11+ "\n",
12+ "---\n",
13+ "\n",
14+ "## 前置要求\n",
15+ "\n",
16+ "为了充分掌握本章内容，你应已具备以下能力：\n",
17+ "\n",
18+ "- 熟悉 CANN、昇腾 NPU 的基础概念，了解深度学习模型由算子组成的基本结构。\n",
19+ "- 理解 Tensor、shape、dtype 等深度学习核心概念。\n",
20+ "- 了解昇腾环境中模型经图编译后执行的基本过程。\n",
21+ "\n",
22+ "---\n",
23+ "\n",
24+ "## 章节目标\n",
25+ "\n",
26+ "完成本章后，你将能够：\n",
27+ "\n",
28+ "- 说明 AutoFuse 解决的核心问题，理解其缓解 Memory Bound 场景的原理。\n",
29+ "- 区分 AutoFuse 与业务代码直接调用 API 的差异，理解其在图编译流程中的作用。\n",
30+ "- 了解 AutoFuse 的两条接入路线及融合过程的整体脉络。\n",
31+ "- 掌握 `AUTOFUSE_FLAGS` 配置方法，完成 AutoFuse 基础使能。\n",
32+ "\n",
33+ "## 章节内容\n",
34+ "\n",
35+ "* [1.1 章节介绍](01.01_chapter_intro.ipynb)\n",
36+ "* [1.2 AutoFuse简介](01.02_autofuse_introduction.ipynb)\n",
37+ "* [1.3 AutoFuse使能基础](01.03_enable_autofusion.ipynb)\n",
38+ "* [1.4 章节练习](01.04_chapter_practice.ipynb)\n",
39+ "\n",
40+ "---\n",
41+ "\n",
42+ "本章课程请从 [AutoFuse简介](01.02_autofuse_introduction.ipynb) 开始学习。\n"
43+ ]
44+ }
45+ ],
46+ "metadata": {
47+ "kernelspec": {
48+ "display_name": "Python 3",
49+ "language": "python",
50+ "name": "python3"
51+ },
52+ "language_info": {
53+ "name": "python",
54+ "pygments_lexer": "ipython3"
55+ }
56+ },
57+ "nbformat": 4,
58+ "nbformat_minor": 5
59+}
Atutorials/autofusion_development/01_basic_overview/01.02_autofuse_introduction.ipynb+350-0
@@ -0,0 +1,350 @@
1+{
2+ "cells": [
3+ {
4+ "cell_type": "markdown",
5+ "id": "md00",
6+ "metadata": {},
7+ "source": [
8+ "# AutoFuse简介\n",
9+ "\n",
10+ "本节围绕\"什么是 AutoFuse\"\"接入路线\"\"融合过程\"三条主线展开，并补充产品支持型号与使用边界。为了便于初学者理解，本节先说明通用术语与相关概念，再补充课程化解释，帮助你建立 AutoFuse 的整体认知。\n",
11+ "\n",
12+ "本节学习大纲如下：\n",
13+ "\n",
14+ "- 通用术语与相关概念\n",
15+ "- 什么是 AutoFuse\n",
16+ "- AutoFuse 接入路线\n",
17+ "- AutoFuse 融合过程\n",
18+ "- 产品支持型号与使用边界\n"
19+ ]
20+ },
21+ {
22+ "cell_type": "markdown",
23+ "id": "md01",
24+ "metadata": {},
25+ "source": [
26+ "## 1. 通用术语与相关概念\n",
27+ "为便于理解后续内容，学习本课程前请先了解如下术语、缩略语及相关概念。\n",
28+ "\n",
29+ "<table align=\"left\">\n",
30+ " <thead>\n",
31+ " <tr>\n",
32+ " <th>术语</th>\n",
33+ " <th>说明</th>\n",
34+ " <th>在本课程中的理解方式</th>\n",
35+ " </tr>\n",
36+ " </thead>\n",
37+ " <tbody>\n",
38+ " <tr>\n",
39+ " <td>算子</td>\n",
40+ " <td>Operator，深度学习模型中执行具体计算的基本单元</td>\n",
41+ " <td>AutoFuse 识别和融合的基本对象</td>\n",
42+ " </tr>\n",
43+ " <tr>\n",
44+ " <td>融合算子</td>\n",
45+ " <td>Fused Operator，将多个相邻算子合并后形成的算子</td>\n",
46+ " <td>AutoFuse 融合后的计算形式</td>\n",
47+ " </tr>\n",
48+ " <tr>\n",
49+ " <td>NPU</td>\n",
50+ " <td>Neural Processing Unit，神经网络处理器</td>\n",
51+ " <td>昇腾 AI 处理器执行计算的硬件基础</td>\n",
52+ " </tr>\n",
53+ " <tr>\n",
54+ " <td>Host</td>\n",
55+ " <td>主机侧</td>\n",
56+ " <td>负责模型编译、准备参数和训练/推理进程管理</td>\n",
57+ " </tr>\n",
58+ " <tr>\n",
59+ " <td>Device</td>\n",
60+ " <td>昇腾设备侧</td>\n",
61+ " <td>负责模型内算子的调度和执行</td>\n",
62+ " </tr>\n",
63+ " <tr>\n",
64+ " <td>GM</td>\n",
65+ " <td>Global Memory，全局内存</td>\n",
66+ " <td>设备侧容量较大但访问代价更高的存储空间，作为算子间数据流转存储单元</td>\n",
67+ " </tr>\n",
68+ " <tr>\n",
69+ " <td>UB</td>\n",
70+ " <td>Unified Buffer，统一缓冲区</td>\n",
71+ " <td>AI Core 片上缓存空间，容量小但访问速度比 GM 快几十倍，作为算子内数据流转存储单元</td>\n",
72+ " </tr>\n",
73+ " <tr>\n",
74+ " <td>MTE</td>\n",
75+ " <td>Memory Transfer Engine，AI Core 中与数据搬运相关的能力</td>\n",
76+ " <td>搬运数据的硬件通道，用于在 GM 与 UB 间完成数据搬运</td>\n",
77+ " </tr>\n",
78+ " <tr>\n",
79+ " <td>Vector 计算</td>\n",
80+ " <td>对向量数据同时做相同运算的计算方式</td>\n",
81+ " <td>AutoFuse 常见收益场景之一，多个小 Vector 计算可能带来较多搬运开销</td>\n",
82+ " </tr>\n",
83+ " <tr>\n",
84+ " <td>Memory Bound</td>\n",
85+ " <td>性能主要受数据搬运限制，而不是受计算能力限制</td>\n",
86+ " <td>数据搬运耗时是性能瓶颈，而不是计算耗时</td>\n",
87+ " </tr>\n",
88+ " <tr>\n",
89+ " <td>图编译</td>\n",
90+ " <td>将模型图转换为昇腾可执行模型或编译产物的过程</td>\n",
91+ " <td>AutoFuse 主要发挥作用的阶段</td>\n",
92+ " </tr>\n",
93+ " <tr>\n",
94+ " <td>OM 模型</td>\n",
95+ " <td>Offline Model，昇腾离线模型文件</td>\n",
96+ " <td>通过 ATC 触发离线编译后常见的模型交付件</td>\n",
97+ " </tr>\n",
98+ " <tr>\n",
99+ " <td>GE</td>\n",
100+ " <td>Graph Engine，昇腾图引擎</td>\n",
101+ " <td>模型编译加速组件，使能 AutoFuse 的场景之一</td>\n",
102+ " </tr>\n",
103+ " <tr>\n",
104+ " <td>ATC</td>\n",
105+ " <td>Ascend Tensor Compiler，昇腾模型转换/离线编译工具</td>\n",
106+ " <td>常见的离线编译入口，底层会进入 GE 图编译相关流程</td>\n",
107+ " </tr>\n",
108+ " <tr>\n",
109+ " <td>IR</td>\n",
110+ " <td>Intermediate Representation，中间表示</td>\n",
111+ " <td>编译器内部用于描述计算逻辑的表达形式</td>\n",
112+ " </tr>\n",
113+ " <tr>\n",
114+ " <td>AscIR</td>\n",
115+ " <td>Ascend C IR，面向 Ascend C 语言建模的中间表示</td>\n",
116+ " <td>衔接前端图表示与后端算子代码的中间桥梁</td>\n",
117+ " </tr>\n",
118+ " <tr>\n",
119+ " <td>AutoFuse</td>\n",
120+ " <td>基于 Ascend C 的自动融合框架</td>\n",
121+ " <td>在图编译阶段识别可融合范围，并生成融合算子相关实现</td>\n",
122+ " </tr>\n",
123+ " <tr>\n",
124+ " <td>融合策略</td>\n",
125+ " <td>判断哪些结构适合融合的规则和求解过程</td>\n",
126+ " <td>避免把所有相邻算子都盲目合并</td>\n",
127+ " </tr>\n",
128+ " <tr>\n",
129+ " <td>FusedGraph</td>\n",
130+ " <td>表示一个融合范围的图结构</td>\n",
131+ " <td>AutoFuse 前端识别出的可融合算子集合</td>\n",
132+ " </tr>\n",
133+ " <tr>\n",
134+ " <td>AscBackend</td>\n",
135+ " <td>AutoFuse 融合后形成的 Ascend IR 算子节点</td>\n",
136+ " <td>承载融合子图结构，携带 AscGraph 属性信息</td>\n",
137+ " </tr>\n",
138+ " <tr>\n",
139+ " <td>AscGraph</td>\n",
140+ " <td>AscBackend 节点携带的子图对象</td>\n",
141+ " <td>内部包含多个 AscIR 节点，用于描述融合后的计算结构</td>\n",
142+ " </tr>\n",
143+ " <tr>\n",
144+ " <td>Schedule</td>\n",
145+ " <td>算子调度优化</td>\n",
146+ " <td>对融合后的计算逻辑进行组织优化，调整执行顺序、合并循环、复用缓存，在不改变结果的前提下提升性能</td>\n",
147+ " </tr>\n",
148+ " <tr>\n",
149+ " <td>Tiling</td>\n",
150+ " <td>将大 shape 的计算任务切分为适配硬件缓存大小的小块</td>\n",
151+ " <td>融合性能优化的关键技术</td>\n",
152+ " </tr>\n",
153+ " <tr>\n",
154+ " <td>Auto Tiling</td>\n",
155+ " <td>自动切分</td>\n",
156+ " <td>评估多种切分方案的性能，自动选出使 Kernel 执行性能最优的 Tiling 策略</td>\n",
157+ " </tr>\n",
158+ " <tr>\n",
159+ " <td>Lowering</td>\n",
160+ " <td>表达层级转换</td>\n",
161+ " <td>将较高层的图语义转换为后端更容易处理的 AscIR 表达</td>\n",
162+ " </tr>\n",
163+ " <tr>\n",
164+ " <td>Codegen</td>\n",
165+ " <td>Code Generation，代码生成</td>\n",
166+ " <td>解析调度结果，生成 Host 侧 Tiling 代码和 Device 侧 Kernel 代码</td>\n",
167+ " </tr>\n",
168+ " <tr>\n",
169+ " <td>Ascend C</td>\n",
170+ " <td>面向昇腾 AI 处理器的算子开发语言</td>\n",
171+ " <td>AutoFuse 后端生成融合算子代码时依赖的目标语言</td>\n",
172+ " </tr>\n",
173+ " <tr>\n",
174+ " <td>BiSheng Compiler</td>\n",
175+ " <td>毕昇编译器，昇腾 AI 软件栈中的编译器组件</td>\n",
176+ " <td>AutoFuse 生成的融合 kernel 源码通过毕昇编译器编译为 NPU 可执行的二进制产物</td>\n",
177+ " </tr>\n",
178+ " <tr>\n",
179+ " <td>Kernel</td>\n",
180+ " <td>在 NPU 上实际执行计算的代码片段</td>\n",
181+ " <td>AutoFuse 后端生成的融合计算单元</td>\n",
182+ " </tr>\n",
183+ " <tr>\n",
184+ " <td>Dynamic Shape</td>\n",
185+ " <td>动态 shape</td>\n",
186+ " <td>模型输入或中间张量的某些维度在编译时不能完全固定</td>\n",
187+ " </tr>\n",
188+ " <tr>\n",
189+ " <td>Dynamo</td>\n",
190+ " <td>PyTorch Dynamo，PyTorch 生态中的动态图捕获与图生成组件</td>\n",
191+ " <td>可理解为 PyTorch 编译链路的前端入口，负责捕获 Python 模型执行并生成可交给后续编译器处理的图表示</td>\n",
192+ " </tr>\n",
193+ " <tr>\n",
194+ " <td>PyTorch Inductor</td>\n",
195+ " <td>PyTorch 生态中的编译优化组件</td>\n",
196+ " <td>使能 AutoFuse 的另一条重要对接路线</td>\n",
197+ " </tr>\n",
198+ " </tbody>\n",
199+ "</table>\n",
200+ "<div style=\"clear:left\"></div>\n"
201+ ]
202+ },
203+ {
204+ "cell_type": "markdown",
205+ "id": "md02",
206+ "metadata": {},
207+ "source": [
208+ "## 2. 什么是 AutoFuse\n",
209+ "\n",
210+ "AutoFuse 是基于 Ascend C 的自动融合框架，支持自动融合范围识别、自动算子代码生成、Auto Tiling 优化及 Dynamic Shape 等特性。\n",
211+ "\n",
212+ "在算法网络中，由于存在大量 Vector 计算，各个 Vector 计算之间会产生大量内存搬运，导致 Memory Bound 问题。AutoFuse 通过自动将多个算子融合为一个算子，减少网络中的算子数量和内存搬运，从而缓解 Memory Bound 问题，释放昇腾算力，提升模型执行性能。\n",
213+ "\n",
214+ "<div style=\"text-align:left\">\n",
215+ "<img src=\"./images/autofuse_benefit_principle.png\" alt=\"AutoFuse 收益原理\" width=\"40%\">\n",
216+ "</div>\n",
217+ "\n",
218+ "结合课程视角，可以这样理解：AutoFuse 并不是让计算本身消失，而是将多个满足条件的小算子组织成一个融合算子，让中间结果尽量在片上缓存中流转，减少重复搬运和多次调度。从收益机制看，自动融合理论上在 MTE 搬运、Dynamic Shape 调度开销方面都会有一定收益；对于小 shape、MTE Bound 的推荐网络，一般更容易获得正收益。"
219+ ]
220+ },
221+ {
222+ "cell_type": "markdown",
223+ "id": "md03",
224+ "metadata": {},
225+ "source": [
226+ "## 3. AutoFuse 接入路线\n",
227+ "\n",
228+ "AutoFuse 自动融合方案基于昇腾 NPU 底层统一的 Ascend C IR 与代码生成能力，目前提供了两条接入路径。\n",
229+ "\n",
230+ "<div style=\"text-align:left\">\n",
231+ "<img src=\"./images/autofuse_technical_route.png\" alt=\"AutoFuse 接入路线\" width=\"40%\">\n",
232+ "</div>\n",
233+ "第一条路径基于昇腾自研 GE 框架，注重 NPU 亲和性。该路径包含三部分核心能力：\n",
234+ "\n",
235+ "- Ascend IR 的符号化 shape 推导，通过变量符号表达动态变化的 shape，从而在编译时基于符号化的 shape 进行代码生成。\n",
236+ "- Ascend IR 到 AscIR 的 Lowering 实现，使用低层级的 AscIR 表达 Ascend IR 的计算逻辑，确定融合结构。\n",
237+ "- 融合策略，结合 AscIR 的特点与约束，进行融合结构间的循环轴合并，获得融合最优解。\n",
238+ "\n",
239+ "第二条路径对接 PyTorch Inductor，聚焦生态支持，复用 Inductor 的融合能力，并将 Inductor IR 表达的融合结构转换为 Ascend C IR 图进行代码生成。算子融合方式与第一条路径类似，当前路径功能已支持，但是还未正式商用。"
240+ ]
241+ },
242+ {
243+ "cell_type": "markdown",
244+ "id": "md04",
245+ "metadata": {},
246+ "source": [
247+ "## 4. AutoFuse 融合过程\n",
248+ "\n",
249+ "AutoFuse 自动融合的实现过程可以划分为两部分：\n",
250+ "\n",
251+ "- 自动确定融合范围。\n",
252+ "- 根据融合范围自动生成融合 Kernel 执行源码及 Tiling 计算源码。\n",
253+ "\n",
254+ "前者称为自动融合前端，后者称为自动融合后端（对应上图中的公共底层能力）。前端主要根据规则或配置判断哪些算子能够融合，并确定一个融合算子的融合范围；融合范围使用 FusedGraph 表达。\n",
255+ "\n",
256+ "<div style=\"text-align:left\">\n",
257+ "<img src=\"./images/fusedgraph_structure.png\" alt=\"FusedGraph\" width=\"28%\">\n",
258+ "</div>\n",
259+ "\n",
260+ "FusedGraph 内部包含一个或多个 AscBackend 节点。一个 AscBackend 节点携带一个 AscGraph 属性，一个 AscGraph 内包含多个 AscIR 节点。\n",
261+ "\n",
262+ "<div style=\"text-align:left\">\n",
263+ "<img src=\"./images/ascgraph_structure.png\" alt=\"AscBackend 对应的 AscGraph\" width=\"45%\">\n",
264+ "</div>\n",
265+ "\n",
266+ "后端接收到 FusedGraph 后，根据融合范围自动生成融合 Kernel 执行源码及 Tiling 计算源码。这里先帮助读者建立整体流程认知，自动融合原理会在后续章节体现。"
267+ ]
268+ },
269+ {
270+ "cell_type": "markdown",
271+ "id": "md05",
272+ "metadata": {},
273+ "source": [
274+ "## 5. 产品支持型号与使用边界\n",
275+ "\n",
276+ "AutoFuse 自动融合特性当前支持以下产品型号：\n",
277+ "\n",
278+ "- Atlas 350 加速卡\n",
279+ "- Atlas A3 训练系列产品 / Atlas A3 推理系列产品\n",
280+ "- Atlas A2 训练系列产品 / Atlas A2 推理系列产品\n",
281+ "\n",
282+ "除了产品型号，还需要关注 AutoFuse 的使用边界：\n",
283+ "\n",
284+ "- **开启方式**：通过 `AUTOFUSE_FLAGS` 在图编译阶段开启；基础配置方式会在下一节说明。\n",
285+ "- **触发方式**：AutoFuse 依赖图编译流程触发，使用者无需在业务代码中直接调用其接口。\n",
286+ " - 基于 GE 框架的图编译路径，由 GE/ATC 编译流程在满足条件时自动调用 AutoFuse 融合流程。\n",
287+ " - 对接 PyTorch Inductor 的编译路径（通过 Dynamo 捕获模型图并交由 Inductor 编译），由 PyTorch 编译入口触发 AutoFuse 融合流程。\n",
288+ "- **收益不确定性**：是否获得性能收益需要结合模型结构、shape、算子类型和实际性能分析判断，无法保证所有模型开启后都有提升。"
289+ ]
290+ },
291+ {
292+ "cell_type": "markdown",
293+ "id": "md07",
294+ "metadata": {},
295+ "source": [
296+ "## 6. 课后练习\n",
297+ "\n",
298+ "本节介绍了 AutoFuse 的基本定义、接入路线、融合过程和使用边界，请根据学习内容完成以下题目进行自测。\n",
299+ "\n",
300+ "1. （判断题）AutoFuse 主要在图编译阶段发挥作用，通过自动识别融合范围并生成融合算子相关实现，减少算子数量和内存搬运。\n",
301+ "\n",
302+ "2. （判断题）只要开启 AutoFuse，所有模型都一定能获得性能提升。\n",
303+ "\n",
304+ "3. （单选题）AutoFuse 缓解 Memory Bound 问题的主要方式是什么？\n",
305+ " A. 将所有计算转移到 CPU 上执行\n",
306+ " B. 将多个满足条件的算子融合为一个算子，减少中间数据搬运和调度开销\n",
307+ " C. 删除模型中的所有小算子\n",
308+ " D. 只改变模型文件名，不改变编译过程\n",
309+ "\n",
310+ "4. （单选题）如何理解 AutoFuse 的两条接入路线？\n",
311+ " A. 两条路线都体现 AutoFuse 自动融合的关键思想，课程从原理出发理解整体链路\n",
312+ " B. 只有基于 GE 框架的路径属于自动融合，另一条路径只是生态适配，不涉及融合\n",
313+ " C. PyTorch Inductor 路径已经作为商用交付能力，使用者必须优先选择该路径\n",
314+ " D. 必须由业务代码直接调用 AutoFuse 内部后端接口，否则无法触发自动融合\n",
315+ "\n",
316+ "5. （多选题）从普通使用者视角看，学习 AutoFuse 时需要重点关注哪些内容？\n",
317+ " A. 如何通过 `AUTOFUSE_FLAGS` 开启相关能力\n",
318+ " B. AutoFuse 依赖 GE 图编译流程生效，通过 ATC 触发离线编译生成 OM 是常见场景，在线 GE 编译路径满足条件时也可能生效\n",
319+ " C. 需要结合编译日志、融合产物、性能数据和精度对比判断融合效果\n",
320+ " D. 必须由业务代码直接调用 AutoFuse 内部后端接口，否则编译链路无法触发自动融合\n",
321+ "\n",
322+ "**执行以下代码获取答案。**\n"
323+ ]
324+ },
325+ {
326+ "cell_type": "code",
327+ "execution_count": null,
328+ "id": "code00",
329+ "metadata": {},
330+ "outputs": [],
331+ "source": [
332+ "!cat ./answer/01.02_answer.txt"
333+ ]
334+ }
335+ ],
336+ "metadata": {
337+ "kernelspec": {
338+ "display_name": "Python 3",
339+ "language": "python",
340+ "name": "python3"
341+ },
342+ "language_info": {
343+ "name": "python",
344+ "pygments_lexer": "ipython3",
345+ "version": "3.12.9"
346+ }
347+ },
348+ "nbformat": 4,
349+ "nbformat_minor": 5
350+}
Atutorials/autofusion_development/01_basic_overview/01.03_enable_autofusion.ipynb+265-0
@@ -0,0 +1,265 @@
1+{
2+ "cells": [
3+ {
4+ "cell_type": "markdown",
5+ "id": "md00",
6+ "metadata": {},
7+ "source": [
8+ "# AutoFuse使能基础\n",
9+ "\n",
10+ "上一节介绍了 AutoFuse 的基本概念、接入路线和融合过程等，本节面向使用者说明如何开启 AutoFuse 的基础能力。这里的\"使能\"可以理解为：在执行模型图编译前，通过环境变量打开 AutoFuse 功能入口，并按需声明基础融合能力。学完本节后，你应能知道基础开关怎么打开、如何验证配置是否生效，以及哪些融合能力需要额外声明。更深入的融合原理、实践与问题定位会在后续章节展开。\n",
11+ "\n",
12+ "本节学习大纲如下：\n",
13+ "\n",
14+ "- 使用前提\n",
15+ "- AutoFuse 使能配置\n",
16+ "- 常见误区\n"
17+ ]
18+ },
19+ {
20+ "cell_type": "markdown",
21+ "id": "md01",
22+ "metadata": {},
23+ "source": [
24+ "## 1. 使用前提\n",
25+ "\n",
26+ "使用 AutoFuse 前提条件如下：\n",
27+ "\n",
28+ "<table align=\"left\">\n",
29+ "<thead><tr><th>条件</th><th>要求</th><th>说明</th></tr></thead>\n",
30+ "<tbody>\n",
31+ "<tr><td>安装软件包</td><td>准备带有 AI 处理器的硬件环境，并安装驱动、固件和 CANN 软件包</td><td>具体安装步骤请参见 <a href='https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/910beta1/softwareinst/instg/instg_0000.html?OS=openEuler&InstallType=netyum'>《CANN 软件安装》</a></td></tr>\n",
32+ "<tr><td>GCC 版本</td><td>9.5.0 及以上</td><td>建议使用 9.5.0 版本</td></tr>\n",
33+ "<tr><td>CMake 版本</td><td>3.20.0 及以上</td><td>建议使用 3.20.0 版本</td></tr>\n",
34+ "<tr><td>CANN 环境变量</td><td>安装 CANN 软件后，使用 CANN 运行用户登录环境，并执行 `source ${INSTALL_DIR}/set_env.sh`</td><td>`${INSTALL_DIR}` 请替换为 CANN 软件安装后的文件存储路径；以 root 用户安装为例，默认路径为 /usr/local/Ascend/cann</td></tr>\n",
35+ "</tbody>\n",
36+ "</table>\n",
37+ "<div style=\"clear:left\"></div>\n",
38+ "\n",
39+ "完成上述准备后，再在同一个编译环境中配置 AutoFuse 基础开关。\n"
40+ ]
41+ },
42+ {
43+ "cell_type": "markdown",
44+ "id": "md02",
45+ "metadata": {},
46+ "source": [
47+ "## 2. AutoFuse 使能配置\n",
48+ "\n",
49+ "AutoFuse 的使能方式与对接路线密切相关。使用 GE 图编译路线时，需要在模型图编译前通过环境变量 <code>AUTOFUSE_FLAGS</code> 开启自动融合；使用 PyTorch Inductor 对接路线时，当前无需额外配置环境变量，只需在 Python 脚本中 <code>import inductor_npu_ext</code> 即可使能 AutoFuse。下面主要介绍 GE 路线的配置方式。\n",
50+ "\n",
51+ "### 2.1 最小开启配置\n",
52+ "\n",
53+ "AutoFuse 的基础使能入口是环境变量 <code>AUTOFUSE_FLAGS</code>，最小只需一行命令即可开启：\n",
54+ "\n",
55+ "```bash\n",
56+ "export AUTOFUSE_FLAGS=\"--enable_autofuse=true\"\n",
57+ "```\n",
58+ "\n",
59+ "<table align=\"left\">\n",
60+ " <thead>\n",
61+ " <tr>\n",
62+ " <th>配置项</th>\n",
63+ " <th>含义</th>\n",
64+ " </tr>\n",
65+ " </thead>\n",
66+ " <tbody>\n",
67+ " <tr>\n",
68+ " <td><code>--enable_autofuse=true</code></td>\n",
69+ " <td>打开 AutoFuse 总开关，允许图编译流程执行自动融合</td>\n",
70+ " </tr>\n",
71+ " <tr>\n",
72+ " <td><code>--enable_autofuse=false</code></td>\n",
73+ " <td>关闭 AutoFuse 总开关，不执行自动融合</td>\n",
74+ " </tr>\n",
75+ " </tbody>\n",
76+ "</table>\n",
77+ "<div style=\"clear:left\"></div>\n",
78+ "\n",
79+ "设置后需要在 **同一个 shell 环境** 中执行模型编译命令。环境变量不会自动影响已经启动的其他进程。\n",
80+ "\n",
81+ "\n",
82+ "### 2.2 配置格式说明\n",
83+ "\n",
84+ "如需追加其他配置项，请注意：\n",
85+ "\n",
86+ "- 多个配置项之间用 **英文分号** <code>;</code> 分隔\n",
87+ "- 全部写在 **同一个** <code>AUTOFUSE_FLAGS</code> 字符串中\n",
88+ "\n",
89+ "```bash\n",
90+ "# 格式示意\n",
91+ "export AUTOFUSE_FLAGS=\"配置项1;配置项2;配置项3\"\n",
92+ "```\n",
93+ "\n",
94+ "### 2.3 扩展开关配置\n",
95+ "\n",
96+ "AutoFuse 框架目前支持 Elemwise、Broadcast、Reduce、Concat 等 4 类算子的融合。开启 <code>--enable_autofuse=true</code> 后：\n",
97+ "\n",
98+ "- **Elemwise、Broadcast** 等基础融合能力默认可用，无需额外配置\n",
99+ "- **Reduce、Concat** 等融合能力默认不开启，需通过 <code>--autofuse_enable_pass</code> 显式声明\n",
100+ "\n",
101+ "例如同时开启 Reduce 和 Concat：\n",
102+ "\n",
103+ "```bash\n",
104+ "export AUTOFUSE_FLAGS=\"--enable_autofuse=true;--autofuse_enable_pass=reduce,concat\"\n",
105+ "```\n",
106+ "\n",
107+ "<table align=\"left\">\n",
108+ " <thead>\n",
109+ " <tr>\n",
110+ " <th>配置项</th>\n",
111+ " <th>含义</th>\n",
112+ " </tr>\n",
113+ " </thead>\n",
114+ " <tbody>\n",
115+ " <tr>\n",
116+ " <td><code>--autofuse_enable_pass=reduce,concat</code></td>\n",
117+ " <td>额外开启指定融合 pass，多种类型用英文逗号分隔</td>\n",
118+ " </tr>\n",
119+ " </tbody>\n",
120+ "</table>\n",
121+ "<div style=\"clear:left\"></div>\n",
122+ "\n",
123+ "各融合类型的默认开关状态如下：\n",
124+ "\n",
125+ "<table align=\"left\">\n",
126+ " <thead>\n",
127+ " <tr>\n",
128+ " <th>融合类型</th>\n",
129+ " <th>含义</th>\n",
130+ " <th>默认状态</th>\n",
131+ " </tr>\n",
132+ " </thead>\n",
133+ " <tbody>\n",
134+ " <tr>\n",
135+ " <td>Elemwise</td>\n",
136+ " <td>逐元素计算，如 Add、Mul、Abs</td>\n",
137+ " <td>✅ 开启 AutoFuse 后默认支持</td>\n",
138+ " </tr>\n",
139+ " <tr>\n",
140+ " <td>Broadcast</td>\n",
141+ " <td>广播计算，从尾对齐，长度1的维度自动扩展</td>\n",
142+ " <td>✅ 开启 AutoFuse 后默认支持</td>\n",
143+ " </tr>\n",
144+ " <tr>\n",
145+ " <td>Reduce</td>\n",
146+ " <td>规约计算，如 Sum、Max、Mean</td>\n",
147+ " <td>❌ 需显式开启</td>\n",
148+ " </tr>\n",
149+ " <tr>\n",
150+ " <td>Concat</td>\n",
151+ " <td>拼接计算，按指定维度拼接 Tensor</td>\n",
152+ " <td>❌ 需显式开启</td>\n",
153+ " </tr>\n",
154+ " </tbody>\n",
155+ "</table>\n",
156+ "<div style=\"clear:left\"></div>\n",
157+ "\n",
158+ "\n",
159+ "### 2.4 配置检查\n",
160+ "\n",
161+ "配置完成后，可通过以下命令确认当前 shell 中是否已经设置 <code>AUTOFUSE_FLAGS</code>：\n",
162+ "\n",
163+ "```bash\n",
164+ "echo $AUTOFUSE_FLAGS\n",
165+ "```\n",
166+ "\n",
167+ "如果输出为空，说明当前 shell 未设置该变量；如果能看到 <code>--enable_autofuse=true</code> 等配置内容，说明基础开关已设置到当前环境。需要注意，该检查只能确认环境变量是否设置，最终是否产生融合还需结合模型图结构、算子类型、编译日志和性能分析判断。\n"
168+ ]
169+ },
170+ {
171+ "cell_type": "markdown",
172+ "id": "md05",
173+ "metadata": {},
174+ "source": [
175+ "## 3. 常见误区\n",
176+ "\n",
177+ "<table align=\"left\">\n",
178+ " <thead>\n",
179+ " <tr>\n",
180+ " <th>误区</th>\n",
181+ " <th>正确认知</th>\n",
182+ " </tr>\n",
183+ " </thead>\n",
184+ " <tbody>\n",
185+ " <tr>\n",
186+ " <td>只设置 <code>AUTOFUSE_DFX_FLAGS</code> 就能开启 AutoFuse</td>\n",
187+ " <td><code>AUTOFUSE_DFX_FLAGS</code> 是进阶定位配置，基础开启依赖 <code>AUTOFUSE_FLAGS=\"--enable_autofuse=true\"</code></td>\n",
188+ " </tr>\n",
189+ " <tr>\n",
190+ " <td>设置环境变量后所有模型一定收益</td>\n",
191+ " <td>收益需要结合实际模型或分析执行结果判断</td>\n",
192+ " </tr>\n",
193+ " <tr>\n",
194+ " <td>Reduce、Concat 只要打开总开关就一定融合</td>\n",
195+ " <td>默认不使能的融合能力，需要显式开启</td>\n",
196+ " </tr>\n",
197+ " <tr>\n",
198+ " <td>AutoFuse 是业务代码里直接调用的 API</td>\n",
199+ " <td>它内嵌在 GE 等组件的图编译流程中，用户只需通过环境变量开启即可</td>\n",
200+ " </tr>\n",
201+ " </tbody>\n",
202+ "</table>\n",
203+ "<div style=\"clear:left\"></div>\n"
204+ ]
205+ },
206+ {
207+ "cell_type": "markdown",
208+ "id": "md07",
209+ "metadata": {},
210+ "source": [
211+ "## 4. 课后练习\n",
212+ "\n",
213+ "本节介绍了 AutoFuse 的基础使能方式，请根据学习内容完成以下题目进行自测。\n",
214+ "\n",
215+ "1. （判断题）AutoFuse 的基础使能入口是 <code>AUTOFUSE_FLAGS</code>，最小配置可以写为 <code>--enable_autofuse=true</code>。\n",
216+ "\n",
217+ "2. （判断题）<code>AUTOFUSE_DFX_FLAGS</code> 是开启 AutoFuse 的必需配置，不配置该环境变量时 AutoFuse 一定无法开启。\n",
218+ "\n",
219+ "3. （单选题）如果需要额外开启 Reduce 和 Concat 融合能力，以下哪种配置更符合课程中的说明？\n",
220+ " A. <code>export AUTOFUSE_FLAGS=\"--enable_autofuse=true;--autofuse_enable_pass=reduce,concat\"</code>\n",
221+ " B. <code>export AUTOFUSE_FLAGS=\"--enable_autofuse=false\"</code>\n",
222+ " C. <code>export AUTOFUSE_DFX_FLAGS=\"--debug_dir=/tmp\"</code>\n",
223+ " D. <code>export AUTOFUSE_FLAGS=\"--autofuse_disable_pass=reduce,concat\"</code>\n",
224+ "\n",
225+ "4. （单选题）设置 <code>AUTOFUSE_FLAGS</code> 后，为什么仍建议确认当前 shell 中的环境变量？\n",
226+ " A. 环境变量只对当前 shell 或其子进程生效\n",
227+ " B. 环境变量会自动修改所有历史终端\n",
228+ " C. 环境变量设置后会自动持久化到系统中，无需重新配置\n",
229+ " D. 环境变量对所有已打开的终端都自动生效，只需设置一次即可\n",
230+ "\n",
231+ "5. （多选题）从普通使用者视角看，配置 AutoFuse 基础开关时需要注意哪些事项？\n",
232+ " A. 先开启 <code>--enable_autofuse=true</code>\n",
233+ " B. Reduce、Concat 默认不使能，需要时可通过 <code>--autofuse_enable_pass</code> 显式开启\n",
234+ " C. 开启 AutoFuse 后仍要结合模型和 profiling 判断是否收益\n",
235+ " D. 只设置 <code>AUTOFUSE_DFX_FLAGS</code> 就能替代基础开关\n",
236+ "\n",
237+ "**执行以下代码获取答案。**"
238+ ]
239+ },
240+ {
241+ "cell_type": "code",
242+ "execution_count": null,
243+ "id": "code00",
244+ "metadata": {},
245+ "outputs": [],
246+ "source": [
247+ "!cat ./answer/01.03_answer.txt"
248+ ]
249+ }
250+ ],
251+ "metadata": {
252+ "kernelspec": {
253+ "display_name": "Python 3",
254+ "language": "python",
255+ "name": "python3"
256+ },
257+ "language_info": {
258+ "name": "python",
259+ "pygments_lexer": "ipython3",
260+ "version": "3.12.9"
261+ }
262+ },
263+ "nbformat": 4,
264+ "nbformat_minor": 5
265+}
Atutorials/autofusion_development/01_basic_overview/01.04_chapter_practice.ipynb+73-0
@@ -0,0 +1,73 @@
1+{
2+ "cells": [
3+ {
4+ "cell_type": "markdown",
5+ "id": "md00",
6+ "metadata": {},
7+ "source": [
8+ "# 章节练习\n",
9+ "\n",
10+ "本章节练习用于综合检查 AutoFuse 基础介绍相关内容的学习效果，重点考察你是否能够把 AutoFuse 的定位、收益来源和基础使能方式串联起来。\n",
11+ "\n",
12+ "1. （判断题）AutoFuse 属于图编译流程中的自动融合能力，普通使用者通常通过环境变量和模型编译入口间接使用，而不是把它当作一个运行时业务 API 直接调用。\n",
13+ "\n",
14+ "2. （判断题）如果模型中存在 Reduce 或 Concat 结构，只要设置 `--enable_autofuse=true`，Reduce 和 Concat 融合能力就一定已经开启。\n",
15+ "\n",
16+ "3. （单选题）结合 FusedGraph 结构图，以下哪种描述更符合 AutoFuse 前端确定融合范围后的表达方式？\n",
17+ " A. FusedGraph 用来表达一个融合范围，内部可以包含一个或多个 AscBackend 节点\n",
18+ " B. FusedGraph 是用户手写的业务模型代码，编译阶段不会再转换它\n",
19+ " C. FusedGraph 只表示单个原始算子，不能表达多个算子组成的融合范围\n",
20+ " D. FusedGraph 只用于运行时调度，与图编译阶段的自动融合无关\n",
21+ "\n",
22+ "4. （单选题）关于 AutoFuse 的两条接入路线，以下哪种理解更符合本章节介绍？\n",
23+ " A. GE 框架路径注重图模式融合，PyTorch Inductor 路径注重生态对接，二者最终都会对接 Ascend C IR 与代码生成等底层能力\n",
24+ " B. GE 框架路径只负责产品型号检测，不参与融合范围识别和图表达转换\n",
25+ " C. PyTorch Inductor 路径完全绕过 Ascend C IR，因此无法复用 AutoFuse 的后端生成能力\n",
26+ " D. 两条接入路线互相排斥，学习 AutoFuse 时只能选择其中一条理解\n",
27+ "\n",
28+ "5. （多选题）普通使用者希望验证 AutoFuse 基础开关是否设置到当前环境，应重点检查哪些信息？\n",
29+ " A. CANN 环境变量是否已经正确加载\n",
30+ " B. `AUTOFUSE_FLAGS` 是否在当前执行环境中设置\n",
31+ " C. 模型是否通过 ATC 等可触发 GE 图编译的入口生成编译产物\n",
32+ " D. 模型推理精度是否满足预期\n",
33+ "\n",
34+ "6. （多选题）如果开启 AutoFuse 后没有明显性能收益，以下哪些分析方向更合理？\n",
35+ " A. 检查模型瓶颈是否主要来自 Memory Bound，而不是其他大计算算子\n",
36+ " B. 检查模型中的算子类型、shape 和融合范围是否满足融合条件\n",
37+ " C. 使用 profiling、编译日志或 DFX 信息对比开启前后的差异\n",
38+ " D. 直接认定 AutoFuse 功能失效，因为开启后必须提升性能\n",
39+ "\n",
40+ "7. （多选题）关于 AutoFuse 基础使能方式，以下说法正确的是哪些？\n",
41+ " A. `AUTOFUSE_FLAGS` 用于控制 AutoFuse 是否开启以及启用哪些基础融合能力\n",
42+ " B. `AUTOFUSE_DFX_FLAGS` 属于进阶定位和调优配置，不是基础使能必需项\n",
43+ " C. Reduce、Concat 默认不使能，需要按场景通过 pass 显式开启\n",
44+ " D. 开启 AutoFuse 后可以默认认为所有模型都有明显性能收益\n",
45+ "\n",
46+ "**执行以下代码获取答案。**"
47+ ]
48+ },
49+ {
50+ "cell_type": "code",
51+ "execution_count": null,
52+ "id": "code00",
53+ "metadata": {},
54+ "outputs": [],
55+ "source": [
56+ "!cat ./answer/01.04_answer.txt"
57+ ]
58+ }
59+ ],
60+ "metadata": {
61+ "kernelspec": {
62+ "display_name": "Python 3",
63+ "language": "python",
64+ "name": "python3"
65+ },
66+ "language_info": {
67+ "name": "python",
68+ "pygments_lexer": "ipython3"
69+ }
70+ },
71+ "nbformat": 4,
72+ "nbformat_minor": 5
73+}
Atutorials/autofusion_development/01_basic_overview/answer/01.02_answer.txt+14-0
@@ -0,0 +1,14 @@
1+1. √
2+解析：AutoFuse 主要在图编译阶段发挥作用，根据模型图结构自动识别可融合范围，并生成融合算子相关实现，从而减少算子数量和中间数据搬运。
3+ 
4+2. ×
5+解析：AutoFuse 是否带来性能收益取决于模型结构、shape、算子类型、内存搬运瓶颈和实际性能分析结果，并不保证所有模型都提升。
6+ 
7+3. B
8+解析：AutoFuse 的核心收益来源之一是将多个满足条件的小算子融合为一个算子，减少中间结果反复搬运和多次调度开销，从而缓解 Memory Bound 问题。
9+ 
10+4. A
11+解析：AutoFuse 包含基于 GE 框架和对接 PyTorch Inductor 的两条路线，两条路线都体现了自动融合的关键思想。当前课程从自动融合原理出发理解整体链路；PyTorch Inductor 对接路线已具备功能支持，但尚未作为商用交付能力。
12+ 
13+5. A、B、C
14+解析：普通使用者通常通过 `AUTOFUSE_FLAGS` 在图编译阶段开启能力。AutoFuse 依赖 GE 图编译流程生效，通过 ATC 触发离线编译生成 OM 是常见场景；如果在线场景同样进入支持 AutoFuse 的 GE 图编译路径，也可能触发自动融合。验证效果时需要结合编译日志、融合产物、性能数据和精度对比判断；普通业务代码不需要直接调用 AutoFuse 内部后端接口，相关能力通常由 GE 图编译、ATC 离线编译或对接 PyTorch Inductor 的编译链路在满足条件时触发。
Atutorials/autofusion_development/01_basic_overview/answer/01.03_answer.txt+14-0
@@ -0,0 +1,14 @@
1+1. √
2+解析：AutoFuse 的基础使能入口是 `AUTOFUSE_FLAGS`，最小开启配置可以写为 `--enable_autofuse=true`。
3+ 
4+2. ×
5+解析：进阶定位或调优配置用于辅助分析和优化，不是开启 AutoFuse 的必需配置。基础使能主要依赖 `AUTOFUSE_FLAGS`。
6+ 
7+3. A
8+解析：Reduce、Concat 默认不使能，需要额外开启时可通过 `--autofuse_enable_pass=reduce,concat` 显式配置，同时需要先开启 `--enable_autofuse=true`。
9+ 
10+4. A
11+解析：环境变量只对当前 shell 或其子进程生效，因此需要确认编译命令和环境变量处在同一个执行环境中。
12+ 
13+5. A、B、C
14+解析：普通使用者应先开启整体 AutoFuse 能力，再按场景开启 Reduce、Concat 等扩展融合能力；开启后仍需要结合实际模型和后续性能分析判断是否收益。进阶定位或调优配置不能替代基础开关。
Atutorials/autofusion_development/01_basic_overview/answer/01.04_answer.txt+20-0
@@ -0,0 +1,20 @@
1+1. √
2+解析：AutoFuse 是图编译流程中的自动融合能力。普通使用者通常通过环境变量和模型编译入口间接使用，不需要把内部后端 API 当作运行时业务接口直接调用。
3+ 
4+2. ×
5+解析：Reduce、Concat 默认不使能。即使设置了 `--enable_autofuse=true`，如需开启 Reduce 或 Concat 融合能力，仍需要通过 `--autofuse_enable_pass=reduce,concat` 等配置显式开启。
6+ 
7+3. A
8+解析：FusedGraph 用于表达 AutoFuse 前端识别出的一个融合范围，内部可以包含一个或多个 AscBackend 节点。它不是用户手写的业务模型代码，也不是只表示单个原始算子的运行时调度对象。
9+ 
10+4. A
11+解析：AutoFuse 包含基于 GE 框架的图模式融合路径，也包含对接 PyTorch Inductor 的生态融合路径。GE 路径更侧重昇腾自研图编译体系中的融合能力，PyTorch Inductor 路径更侧重与 PyTorch 编译生态对接；两条路径都会围绕 Ascend C IR、Schedule、Codegen 等底层能力完成后续表达转换和代码生成。
12+ 
13+5. A、B、C
14+解析：验证 AutoFuse 基础开关是否设置到当前环境，应检查 CANN 环境变量是否加载、`AUTOFUSE_FLAGS` 是否在当前执行环境中设置，以及模型是否经过 ATC 等可触发 GE 图编译的入口。模型推理精度是否满足预期属于精度验证范畴，与开关配置确认不直接相关。
15+ 
16+6. A、B、C
17+解析：没有明显性能收益时，应结合瓶颈类型、算子类型、shape、融合范围、profiling、编译日志和 DFX 信息分析。AutoFuse 不保证所有模型开启后都提升性能。
18+ 
19+7. A、B、C
20+解析：`AUTOFUSE_FLAGS` 用于功能控制；`AUTOFUSE_DFX_FLAGS` 更适合用于进阶验证、定位和调优辅助；Reduce、Concat 默认不使能，需要按场景通过 pass 显式开启。开启 AutoFuse 后不能默认认为所有模型都有明显性能收益。
Atutorials/autofusion_development/README.md+73-0
@@ -0,0 +1,73 @@
1+# AutoFuse 自动融合开发系列教程
2+ 
3+本教程面向希望理解并掌握昇腾 AutoFuse 自动融合能力的开发者，基于 CANN 官方资料整理。课程设计兼顾普通使用者与进阶开发者需求：从零开始建立认知，逐步深入到融合原理与实战应用。
4+ 
5+## 教程结构
6+ 
7+教程按章节组织，每个章节包含以下内容：
8+ 
9+- **Notebooks**：涵盖课程知识点、可执行示例与练习题，适用于自主学习或讲师引导式教学。可在 gitcode 提供的轻量级 Notebook 环境中直接运行，也可自行搭建 JupyterLab 在本地执行。
10+- **answer**：提供课后习题与章节练习的参考答案，便于自测与验证。
11+- **images**：存放章节所需的图示资源，Notebook 中通过相对路径引用。
12+ 
13+> **注意事项**
14+>
15+> - AutoFuse 自动融合特性仅支持 Atlas 350 加速卡、Atlas A2 训练/推理系列产品、Atlas A3 训练/推理系列产品。
16+> - AutoFuse 的使能方式取决于对接路线。采用 GE 图编译路线时，需在模型图编译前通过环境变量 `AUTOFUSE_FLAGS` 开启自动融合；采用 PyTorch Inductor 对接路线时，当前无需额外配置环境变量，只需在 Python 脚本中导入 `inductor_npu_ext`。使能后，AutoFuse 会在编译阶段自动识别可融合算子模式、生成融合内核并完成相关优化，无需用户手工编写融合代码。
17+ 
18+## 软硬件配套说明
19+ 
20+| 项目 | 要求 |
21+| --------- | ------------------------------------------------------------------------ |
22+| 支持硬件 | Atlas 350 加速卡、Atlas A2 训练/推理系列产品、Atlas A3 训练/推理系列产品 |
23+| CANN 版本 | 9.0.0 及以上 |
24+| Python | 3.11 |
25+ 
26+## 在线体验环境
27+ 
28+本教程支持以下在线体验环境：
29+ 
30+| 体验环境 | 镜像模板 / 版本 | Python 内核 | 说明 |
31+| ----------------------------------- | ------------------------ | -------------- | ------------------------------------------------------------------------------------------------------------------------------------------------- |
32+| cann-learning-hub 在线体验 notebook | cann_9.0.0_py3.11-A2-arm | Python 3.11.15 | 各 Notebook 表格中的"在线体验"链接可直接打开运行 |
33+| CANNLab 云开发环境 | cann_9.0.0_py3.11-A2-arm | Python 3.11.4 | 参考[CANNLab 环境体验指南](https://gitcode.com/cann/cann-learning-hub/blob/master/docs/CANNLab_env_experience_guide.md)创建CANNLab环境运行notebook |
34+ 
35+> **注意：** 如在本地环境离线体验，需自行安装配套的 CANN 软件，具体请参考 [CANN 安装指南](https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/600alpha003/softwareinstall/instg/atlasdeploy_03_0001.html)。
36+ 
37+## 课程目录
38+ 
39+### 第一章 AutoFuse 基础介绍
40+ 
41+帮助建立 AutoFuse 的整体认知，掌握基础使能方式
42+ 
43+| Notebook | 链接 | 状态 |
44+| -------------------- | -------------- | --------- |
45+| 1.1 章节介绍 | 在线体验建设中 | ✅ 已发布 |
46+| 1.2 AutoFuse简介 | 在线体验建设中 | ✅ 已发布 |
47+| 1.3 AutoFuse使能基础 | 在线体验建设中 | ✅ 已发布 |
48+| 1.4 章节练习 | 在线体验建设中 | ✅ 已发布 |
49+ 
50+### 第二章 AutoFuse 自动融合原理
51+ 
52+深入理解融合条件判断与策略求解的核心机制
53+ 
54+| Notebook | 链接 | 状态 |
55+| ---------------- | -------------- | ---------- |
56+| 2.1 章节介绍 | 在线体验建设中 | ⏳ 未发布 |
57+| 2.2 融合条件判断 | 在线体验建设中 | ⏳ 未发布 |
58+| 2.3 融合策略求解 | 在线体验建设中 | ⏳ 未发布 |
59+| 2.4 章节练习 | 在线体验建设中 | ⏳ 未发布 |
60+ 
61+### 第三章 AutoFuse 项目实践与问题定位
62+ 
63+面向实际项目开发，掌握高级配置与问题排查方法
64+ 
65+| Notebook | 链接 | 状态 |
66+| -------------------------- | -------------- | --------- |
67+| 3.1 章节介绍 | 在线体验建设中 | ⏳ 未发布 |
68+| 3.2 AutoFuse使能进阶 | 在线体验建设中 | ⏳ 未发布 |
69+| 3.3 对接PyTorch项目实践 | 在线体验建设中 | ⏳ 未发布 |
70+| 3.4 对接TensorFlow项目实践 | 在线体验建设中 | ⏳ 未发布 |
71+| 3.5 性能分析方法 | 在线体验建设中 | ⏳ 未发布 |
72+| 3.6 问题定位方法 | 在线体验建设中 | ⏳ 未发布 |
73+| 3.7 章节练习 | 在线体验建设中 | ⏳ 未发布 |