现代深度学习 (deep learning)框架提供一个抽象层，将模型设计与硬件执行分离。当您在Python中定义神经网络 (neural network)时，您是在描述数学意图，而不是明确的机器指令。例如，一个线性层操作在数学上表示为：

$y = Wx + b$

为了在GPU或专用加速器上高效执行此操作，高级Python代码必须被转换为优化的二进制内核。这种转换是机器学习 (machine learning)编译栈的主要功能。

本章审视实现此转换的架构。与为通用标量逻辑进行优化的标准编译器不同，机器学习编译器侧重于张量代数和大规模并行性。我们将阐明为何通过解释器直接执行对生产工作负载常常不足，以及特定编译阶段如何解决性能瓶颈。

您将学习以下核心内容：

• 框架-硬件鸿沟： 分析解释型语言中动态分派和内存管理引入的开销。
• 编译器结构： 明确前端、优化器和后端代码生成器的作用。
• 编译策略： 比较预先（AOT）编译和即时（JIT）编译这两种模型部署方法。
• 图捕获： 明晰工具如何追踪执行过程，以构建静态计算图。

到本章结束时，您将掌握机器学习操作符从一行Python代码到硬件指令的生命周期，并拥有一个已配置好的环境，可用于查看编译器内部运作。