探讨介绍AI编译器流程中前端部分，包含模型导入及其可以做的图优化，并以一个实例来演示优化前后的模型结构，提升学员对前端优化方法的理解和应用能力。

从 PyTorch 的核心设计理念——动态计算图出发，梳理图优化技术体系的演进历程，包括三条代表性技术路线：早期的 TorchScript（包含 jit.trace 和 jit.script）；中期的 torch.fx 图重写机制；以及 PyTorch 2.0 引入的统一编译入口 torch.compile，并深入分析其核心组件 TorchDynamo、AOTAutograd 以及 TorchInductor 后端的设计原理与亮点。

探讨并介绍AI编译器流程中后端部分，包含运行时、算子调用以及在此阶段可以做的优化方法，提升学员对后端优化方法的理解和应用能力。

介绍传统编译器和AI编译器的区别，AI编译器的核心流程，一些主流的AI编译器生态介绍，继而转向介绍AI编译器对AI程序的抽象，探讨AI编译器中的计算图表示。

探讨并介绍StableDiffusion扩散模型生成图片的原理，并根据源码介绍StableDiffusion工作流，在InfiniTensor推理框架中进行适配。

介绍扩展Triton的深度学习编译器DLCompiler及其核心技术架构。DLCompiler通过扩展 DSL，实现片上缓存分配、多处理单元流水抽象、灵活编译提示、细粒度缓存切分等功能，让 DSA 芯片也能享受极致的编程体验和性能；此外支持全新编程模型，并且无需了解硬件细节设计，便可通过核内调度、访存合并释放芯片算力。DLCompiler已应用在上海AI实验室多模态大模型训练中，提升训练性能和效率。