作者
钱云迪、MirceaTrofin
编译
刘冰一
编辑陈彩娴
现代计算机诞生，如何编译更快、更小的代码问题随之出现。
编译优化是成本收益比最高的优化手段，更好的代码优化可以显著降低大型数据中心应用程序的操作成本。编译代码的大小对于部署在安全引导分区上的移动和嵌入式系统或软件来说是至关重要的，因为编译后的二进制文件必须符合严格的代码大小预算。随着这一领域的进步，越来越复杂的启发式方法严重挤压有限的系统空间，阻碍了维护和进一步的改进。
最近的研究表明，机器学习可以通过用机器学习策略取代复杂的启发式方法，在编译器优化中释放更多的机会。然而，在通用的、行业级编译器中采用机器学习策略仍然是一个挑战。
为了解决这个问题，谷歌两位高级工程师钱云迪、MirceaTrofin提出了“MLGO，一个机器学习指导的编译器优化框架”，这是第一个工业级的通用框架，用于将机器学习技术系统地集成到LLVM（一个开源的工业编译器基础设施，在构建关键任务、高性能软件时无处不在）中。
论文转载请注明：http://www.0431gb208.com/sjszlfa/9310.html
