工作总结1 ： Mindspore
EAI的工作交付完成后有一段时间空闲期，没有实际的活儿，和浩哥一起学了一些程序分析相关的东西。浩哥技术不错，也乐于组织一些技术分享，经常带着我们一群编译器小白讲解概念和“结对编程”（其实是边写代码边给我们将思路）。这期间最大的收获就是学了一些source 2 source转换和ANTLR的一些知识。记得当时准备一个链接器专利需要自动改写linker script，于是准备用ANTLR做source 2 source的转换，但是当时能找到的只有一个ANTLR2 语法的linker script语法文件，为了让ANTLR4的运行时能正确解析，还套娃去找了一个将ANTLR2语法文件转换成ANTLR4语法文件的工具hhh。
TIK算子实现
空闲的状态没有持续太久，我们组就打包卖给海思图灵去写vector core和scalar core的算子。我当时主要是负责vector core算子的编写，vector core开发用的是TIK(Tensor Iterator Kernel), 是一个Python开发框架，框架会将我们写的TIK代码转换为CCE-C代码，然后用CCE-C的编译器编译出device侧的二进制。开发流程十分传统厚重，感受了一把原汁原味的瀑布式开发流程，每个算子实现都要写概要设计文档、详细设计文档，然后设计文档也有集体检视，文档检视还有缺陷率的要求（>5%）。
负责实现的第一个算子是SGBM，用于作双目视差计算的，最高需要支持1080p的灰度图作为输入。这个算法比较复杂，主要分为4个步骤：
- 预处理：水平Sobel算子处理后得到图像的梯度信息
- 代价计算：原图像SAD代价+梯度图中的梯度代价
- 动态规划：代价由左上角向右下角传播，OpenCV默认使用四条传播路径
- 后处理：唯一性检测、亚像素插值、左右一致性检测etc
算法根据上面步骤分给了三个人做，我主要负责动态规划部分的实现。动态规划计算时，每个像素依赖当前行和上一行中的像素，但是无法一次容纳最大size的两行像素。因此我们需要同时对行和列进行tiling切分，每次处理两行x64个像素,先从左向右传播，后从上向下传播。这样的tiling切分会导致host到device的数据搬运和后续处理的流水线效率不高，最后算法整体测试时结果也验证了这一点。但这是算法特性（下一行依赖上一行）决定的，最后算法要不要异构下放到vector core这个需求又回去重新评估了。。
后面又负责了WarpAffine和WarpPerspective两个算子的实现，这两个算子数学公式看起来都很简单，只是简单的双线性内插值。但是OpenCV的实现却用了3000行+，其中用到了很多巧妙的优化小技巧，例如对小方格进行量化切分成NxN的小格，每个格子中直接存放了周围四个像素点的权重。这两个算法分析好优化方案之后就无甚可书了，tiling按照行搬入即可，写到最后我的代码补全工具比我还要懂TIK，写几个字母能直接补全一两行。
ME开发
ME(Mindspore前端)的主要工作之前已经汇总过了，可以看这篇。