2 dépôts
Transforms a model graph into operators optimized for specific hardware targets like GPUs or NPUs.
Distinct from Compilation Target Specifications: Focuses on transforming graph operators for hardware efficiency rather than general compilation target specifications.
Explore 2 awesome GitHub repositories matching programming languages & runtimes · Hardware-Specific Graph Transformations. Refine with filters or upvote what's useful.
Chisel is a hardware construction language and description tool used to define digital circuits. It functions as a generator that converts high-level hardware descriptions into synthesizable Verilog code for use in ASIC and FPGA design. The project enables the creation of parameterizable hardware templates and reusable digital components. It leverages functional and object-oriented programming patterns to transform complex circuit representations into finalized hardware descriptions. The toolset covers the register-transfer level design workflow, allowing users to model digital circuits usin
Applies automated transformations and technology-specific specializations to a design before final code generation.
Ce projet est un modèle de base de synthèse vocale expressif et un système de clonage de voix conçu pour synthétiser une parole humaine avec une nuance émotionnelle et une haute fidélité. Il fonctionne comme un modèle de parole affinable qui peut générer de l'audio imitant une personne spécifique en utilisant un échantillon de voix de référence. Le système se distingue par un moteur d'inférence haute performance qui utilise la mise en cache mémoire et la compilation matérielle pour réduire la latence pendant le processus de génération audio. Il permet en outre des améliorations de la qualité de synthèse en entraînant le modèle de langage sur des jeux de données personnalisés composés de fichiers audio et de légendes correspondantes. Le framework couvre les domaines plus larges du clonage de voix personnalisé, de la synthèse vocale expressive et de l'affinage de modèles de parole.
Transforms the neural network graph into operators optimized for specific chipsets to minimize latency.