●v1.13.3新版本发布https://github.com/MegEngine/MegEngine/releases/tag/v1.13.3●「MegEngine开发者说」-编译器上手指南，算子开发及开源项目指导手册https://www.bilibili.com/video/BV1LC4y1T7mz/●《MegEngine优化dataloader使用体验！datamonitor帮助更好定位性

业务模型训练中Data部分可能是瓶颈所在在训练业务模型过程中，如果我们发现模型的训练速度不符合预期，往往会下意识地认为网络本身出了问题。但实际上，大多数时候问题发生在模型的数据供给逻辑中。区分一个训练过程的瓶颈到底是在准备数据，还是在网络的计算阶段其实是很简单的。比

XLA（AcceleratedLinearAlgebra）是Google提出的一个神经网络编译器，可以用于加速AI模型的训练和推理。MegEngine1.13.1中也已经支持了XLA，在训练模型时可以选择开启此项功能，不同的模型可以获得10%~80%不等的速度提升。主要的目标场景MegEngine现在是动态执行的，即python

「MegEngine开发者说」直播课程第二期火爆来袭！本期既有技术大佬带来深度学习编译器MegCC的详细教程，又有实习经历丰富的在校同学分享MegEngine算子开发流程及开源经历，手把手带你学习，精彩不容错过！更有直播间有奖答疑，现在报名，即有机会获得MegEngine周边大礼包！关于「MegEngi

●v1.13.2新版本发布<https://github.com/MegEngine/MegEngine/releases/tag/v1.13.2>●MegCC新版本发布<https://github.com/MegEngine/MegCC/releases/tag/v0.1.6>●DataFunSummit2023：AI基础软件架构峰会《MegEngine训练性能优化与AI编译实践》主题演讲<https://w

v1.13.1新版本发布MegCC新版本发布【MegEngine使用小技巧】系列文章1.《MegEngine使用小技巧：如何使用MegCC进行模型编译》2.《MegEngine使用小技巧：Profiler使用手册》Imperative介绍专栏1.《MegEnginePython层模块串讲（上）》2.《MegEnginePython层模块串讲（中）》3.《Meg

0.写在前面“xx，R那边反应多机训练速度慢，你看一下什么情况”“xxx，为什么MGE更新之后，xxx网络训练变慢了，你看一下”这是组内日常对话然后有人日常背锅组员的状态是：提性能，提性能，还是TMD提性能据不完全统计，有80%的性能问题其实是因为训练代码写的不够好，让MGE有力使不出

你是否需要AI初学者入门级的开源教程？你是否期待和顶尖开发者一起学习，向深度学习领域的大佬看齐？你是否希望通过课程讲解，了解项目实践，掌握深度学习、大模型相关的前沿AI技术？如果你的答案是肯定的，那么「MegEngine开发者说」系列课程正是你想要的！「MegEngine开发者说」是由旷视

你是否需要AI初学者入门级的开源教程？你是否期待和顶尖开发者一起学习，向深度学习领域的大佬看齐？你是否希望通过课程讲解，了解项目实践，掌握深度学习、大模型相关的前沿AI技术？如果你的答案是肯定的，那么「MegEngine开发者说」系列课程正是你想要的！「MegEngine开发者说」是由

旷视开源的深度学习框架 MegEngine，MegEngine是一个快速、可拓展、易于使用且支持自动求导的深度学习框架。以最新的release版本release-1.13.0为例介绍一下MegEngine的代码结构以及如何学习MegEngine的代码。1.编译对于学习大型项目，我们建议源码编译项目而不是直接安装

在前面的文章中，我们简单介绍了在 MegEngineimperative 中的各模块以及它们的作用。对于新用户而言可能不太了解各个模块的使用方法，对于模块的结构和原理也是一头雾水。Python 作为现在深度学习领域的主流编程语言，其相关的模块自然也是深度学习框架的重中之重。模块串讲将对 

在前面的文章中，我们简单介绍了在 MegEngineimperative 中的各模块以及它们的作用。对于新用户而言可能不太了解各个模块的使用方法，对于模块的结构和原理也是一头雾水。Python 作为现在深度学习领域的主流编程语言，其相关的模块自然也是深度学习框架的重中之重。模块串讲将对 

在前面的文章中，我们简单介绍了在 MegEngineimperative 中的各模块以及它们的作用。对于新用户而言可能不太了解各个模块的使用方法，对于模块的结构和原理也是一头雾水。Python 作为现在深度学习领域的主流编程语言，其相关的模块自然也是深度学习框架的重中之重。模块串讲将对 

MegEngine 作为一个训推一体的AI框架，为用户提供了模型训练以及部署的能力。但是在部署模型时，由于会存在对于部署的模型计算来说不必要的代码，导致SDK体积比较大。为了解决上述问题，我们提供了新的工具：AI编译器 MegCC。MegCC有以下特性：只生成完成输入模型计算的必要的ke

在之前的文章中我们介绍过 MegEngine 的 ImperativeRuntime 以及它与 MegBrain、MegDNN 的关系，这篇文章中我们将介绍 Imperative 中包含的常用组件。在 MegEngine 中，从用户在 python 层编写代码到在 interpreter 层发生计算经过了下面的流程：用户在 python 层

MegCC 是一个深度学习模型编译器，具有以下特点：极轻量级运行时：只在二进制文件中保留所需的计算内核。例如，MobileNetv1的81KB运行时间高性能：每个操作都经过专家精心优化便携：只生成计算代码，易于在Linux、Android、TEE、BareMetal上编译和使用LowMemoryUsagewhileBootIn

MegCC 是一个真真实实的深度学习模型编译器，具备极其轻量的Runtime二进制体积，高性能，方便移植，极低内存使用以及快启动等核心特点。用户可在MLIR上进行计算图优化，内存规划，最后通过预先写好的code模版进行代码生成。MegCC中主要的PassMGBToKernelPass：这个Pass主要将MGB

“开源软件供应链点亮计划-暑期2023”是一项面向高校学生的暑期活动，为高校学生提供了绝佳的、友好开放的交流平台。使学生可以真正投身于开源软件的开发维护，得到资深开源软件开发者指导的机会，获得丰硕的活动奖金，并帮助学生获取优秀企业的关注。活动流程同学们在6月4日之前在

常见神经网络模型所用的Tensor数据类型一般是float32类型，而工业界出于对特定场景的需求（极少的计算资源，极致的推理速度），需要把模型的权重和或激活值转换为位数更少的数值类型（比int8,float16）——整个过程被称为量化（Quantization）。通常以浮点模型为起点，经过中间的量化处理后

常见神经网络模型所用的Tensor数据类型一般是float32类型，而工业界出于对特定场景的需求（极少的计算资源，极致的推理速度），需要把模型的权重和或激活值转换为位数更少的数值类型（比int8,float16）——整个过程被称为量化（Quantization）。通常以浮点模型为起点，经过中间的量化处理

神经网络的学习的目的是找到使损失函数的值尽可能小的参数。这是寻找最优参数的问题，解决这个问题的过程称为优化（optimization）。而由于参数空间复杂、参数数量庞大等原因，使得神经网络的优化问题非常难。MegEngine的optimizer模块中实现了大量的优化算法，其中Optimizer是所有优

神经网络的学习的目的是找到使损失函数的值尽可能小的参数。这是寻找最优参数的问题，解决这个问题的过程称为优化（optimization）。而由于参数空间复杂、参数数量庞大等原因，使得神经网络的优化问题非常难。MegEngine的optimizer模块中实现了大量的优化算法，其中Optimizer是所有

在当今人工智能领域，深度学习算法已经广泛应用于图像处理、自然语言处理、语音识别等各种领域。然而，实现一个高效的深度学习算法需要运用大量的技术和工具，并要面临着许多挑战，如训练计算资源消耗大，模型转换难，高效快捷的推理部署等问题。MegEngine作为一个训推一体的深度学习框架，其

在使用MegEngine进行模型训练时，首先要进行的是数据加载和预处理。在此过程中，MegEngine中的megengine.data模块，提供了数据分批功能，其内部实现流程如下图：通过使用Datal

近期社区有多个同学问，如何查看MegEngine训练出的模型网络结构。其实在去年8月，MegEngine就已经集成到了Netron平台上。目前Netron已支持MegEngine模型：TracedMod