{"id":485297,"date":"2026-06-28T04:45:32","date_gmt":"2026-06-28T04:45:32","guid":{"rendered":"https:\/\/savepearlharbor.com\/?p=485297"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=485297","title":{"rendered":"\u041a\u0430\u043a \u044f \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0443\u0441\u043a\u043e\u0440\u044f\u043b"},"content":{"rendered":"
\n
\"\u0412\u043e\u0432\u043a\u0430<\/p>\n
\u0412\u043e\u0432\u043a\u0430 \u043f\u043b\u043e\u0445\u043e\u0433\u043e \u043d\u0435 \u043f\u043e\u0441\u043e\u0432\u0435\u0442\u0443\u0435\u0442<\/figcaption><\/div>\n<\/figure>\n

\u041f\u043e\u0441\u043b\u0435 \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0438\u044f \u0441\u0442\u0430\u0442\u044c\u0438 \u043f\u0440\u043e NormIs-1<\/code><\/a> \u044f \u0440\u0435\u0448\u0438\u043b \u0443\u0433\u043b\u0443\u0431\u0438\u0442\u044c\u0441\u044f \u0432 \u0442\u0435\u043c\u0443 \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u0438 \u043c\u043e\u0434\u0435\u043b\u0438. \u0410\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430 \u0431\u044b\u043b\u0430 \u043d\u0435\u043f\u043b\u043e\u0445\u043e\u0439 \u0438 \u043f\u043e\u043a\u0430\u0437\u0430\u043b\u0430 \u0430\u0434\u0435\u043a\u0432\u0430\u0442\u043d\u044b\u0435 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043d\u0430 \u043c\u0435\u0442\u0440\u0438\u043a\u0430\u0445 \u0438\u043d\u0442\u0435\u043b\u043b\u0435\u043a\u0442\u0430, \u043d\u043e \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c \u0441\u0438\u043b\u044c\u043d\u043e \u043f\u0440\u043e\u0441\u0435\u0434\u0430\u043b\u0430. \u041f\u0440\u043e\u0431\u043b\u0435\u043c\u0430 \u0431\u044b\u043b\u0430 \u0432 Depthwise Conv. \u041c\u0435\u0436\u0434\u0443 \u0431\u043b\u043e\u043a\u043e\u043c \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0438 FFN \u0441\u0442\u043e\u044f\u043b \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u043e\u0439 \u0431\u043b\u043e\u043a \u0441\u0432\u0435\u0440\u0442\u043e\u043a \u0438 \u0442\u043e\u0440\u043c\u043e\u0437\u0438\u043b \u0432\u0441\u0435 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u044f. \u0418\u043c\u0435\u043d\u043d\u043e \u0435\u0433\u043e \u044f \u0438 \u0440\u0435\u0448\u0438\u043b \u0443\u0441\u043a\u043e\u0440\u0438\u0442\u044c. <\/p>\n

\u0414\u0435\u043b\u0430\u0442\u044c \u0446\u0435\u043b\u0443\u044e \u044f\u0437\u044b\u043a\u043e\u0432\u0443\u044e \u043c\u043e\u0434\u0435\u043b\u044c \u0441 \u043f\u043e\u043b\u043d\u043e\u0446\u0435\u043d\u043d\u044b\u043c \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u0435\u043c \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e\u0441\u0442\u0438 \u043d\u0435\u0442. \u041f\u0440\u043e\u0431\u043b\u0435\u043c\u044b \u043d\u0435\u0441\u0442\u0430\u0431\u0438\u043b\u044c\u043d\u043e\u0433\u043e \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0432\u0437\u0440\u044b\u0432\u0430\u044e\u0449\u0438\u0439\u0441\u044f \u043b\u043e\u0441\u0441 \u0438\u043b\u0438 \u0441\u043b\u043e\u043c\u0430\u0432\u0448\u0438\u0439\u0441\u044f DataLoader — \u044d\u0442\u043e \u0432\u0441\u0435 \u043d\u0435 \u0441\u0435\u0433\u043e\u0434\u043d\u044f. <\/p>\n

\u041d\u0435\u0442, \u0432\u0441\u0435 \u0431\u0443\u0434\u0435\u0442 ‘\u043f\u0440\u043e\u0449\u0435’ — \u043c\u0435\u043b\u043a\u0430\u044f CNN + \u043a\u0430\u0441\u0442\u043e\u043c\u043d\u043e\u0435 MLX-\u044f\u0434\u0440\u043e \u0434\u043b\u044f \u0438\u043d\u0444\u0435\u0440\u0435\u043d\u0441\u0430 + \u0431\u0435\u043d\u0447\u043c\u0430\u0440\u043a\u0438 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u0438 <\/p>\n

\u041f\u0430\u0446\u0438\u0435\u043d\u0442\u0430 \u043d\u0430 \u0441\u0442\u043e\u043b<\/h3>\n

\u0412 \u043a\u0430\u0447\u0435\u0441\u0442\u0432\u0435 \u043f\u043e\u0434\u043e\u043f\u044b\u0442\u043d\u043e\u0433\u043e \u0440\u0435\u0448\u0438\u043b \u0432\u0437\u044f\u0442\u044c \u043d\u0435\u0431\u043e\u043b\u044c\u0448\u0443\u044e CNN \u043d\u0430 103\u041a \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u0438 \u043e\u0431\u0443\u0447\u0438\u0442\u044c \u0435\u0435 \u043d\u0430 MNIST \u0441 \u043d\u0443\u043b\u044f. \u041d\u0438\u0447\u0435\u0433\u043e \u0441\u043b\u043e\u0436\u043d\u043e\u0433\u043e \u043d\u0435\u0442, \u0441 \u043f\u043e\u0434\u043e\u0431\u043d\u043e\u0439 \u0437\u0430\u0434\u0430\u0447\u0438 \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u043b\u044e\u0431\u043e\u0439 \u043a\u0443\u0440\u0441 \u043f\u043e DL.<\/p>\n

\u041e\u0431\u0443\u0447\u0438\u043b, \u0441\u043e\u0445\u0440\u0430\u043d\u0438\u043b, \u043e\u0431\u0440\u0430\u0434\u043e\u0432\u0430\u043b\u0441\u044f — \u0430 \u0440\u0443\u043a\u0438-\u0442\u043e \u043f\u043e\u043c\u043d\u044f\u0442. \u041a\u0440\u0430\u0441\u0438\u0432\u044b\u0435 \u0433\u0440\u0430\u0444\u0438\u043a\u0438 \u043b\u043e\u0441\u0441\u0430 \u0438 \u0442\u043e\u0447\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u0438\u043b\u0430\u0433\u0430\u044e\u0442\u0441\u044f. <\/p>\n

\"\u041a\u0440\u0430\u0441\u043e\u0442\u0430\"<\/p>\n
\u041a\u0440\u0430\u0441\u043e\u0442\u0430<\/figcaption><\/div>\n<\/figure>\n

\u0421\u0430\u043c\u0430 \u043c\u043e\u0434\u0435\u043b\u044c, \u043a\u0430\u043a \u044f \u0441\u043a\u0430\u0437\u0430\u043b \u0432\u044b\u0448\u0435, \u043d\u0438\u0447\u0435\u0433\u043e \u0441\u043b\u043e\u0436\u043d\u043e\u0433\u043e \u0438\u0437 \u0441\u0435\u0431\u044f \u043d\u0435 \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442. \u041d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u043b\u043e\u0435\u0432 \u0441\u0432\u0435\u0440\u0442\u043a\u0438 \u0438 MLP-\u0433\u043e\u043b\u043e\u0432\u0430 \u0434\u043b\u044f \u0444\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0439 \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438. <\/p>\n

\u0410 \u0432\u043e\u0442 \u0438 \u0431\u0430\u0437\u043e\u0432\u044b\u0439 \u043a\u043b\u0430\u0441\u0441 \u0441\u0435\u0442\u043a\u0438: <\/p>\n

class DepthwiseSeparableConv(nn.Module):    def __init__(self, in_c, out_c, stride=1):        super().__init__()        self.use_skip = stride != 1 or in_c != out_c        if self.use_skip:            self.skip = nn.Sequential(                nn.Conv2d(in_c, out_c, 1, stride, bias=False),                nn.BatchNorm2d(out_c),            )        self.dw = nn.Conv2d(in_c, in_c, 3, stride, padding=1, groups=in_c, bias=False)        self.bn1 = nn.BatchNorm2d(in_c)        self.pw = nn.Conv2d(in_c, out_c, 1, bias=False)        self.bn2 = nn.BatchNorm2d(out_c)        self.relu = nn.ReLU(inplace=True)    def forward(self, x):        identity = x        x = self.relu(self.bn1(self.dw(x)))        x = self.bn2(self.pw(x))        if self.use_skip:            identity = self.skip(identity)        x = self.relu(x + identity)        return x<\/code>
<\/a><\/div><\/pre>\n
\u0412\u0441\u0435 \u0446\u0435\u043b\u0438\u043a\u043e\u043c:<\/p>\n
class DepthwiseMNIST(nn.Module):    def __init__(self, num_classes=10):        super().__init__()        self.conv1 = nn.Sequential(            nn.Conv2d(1, 48, 3, padding=1, bias=False),            nn.BatchNorm2d(48),            nn.ReLU(inplace=True),        )        self.stages = nn.Sequential(            DepthwiseSeparableConv(48, 96, stride=2),            DepthwiseSeparableConv(96, 96, stride=1),            DepthwiseSeparableConv(96, 192, stride=2),            DepthwiseSeparableConv(192, 192, stride=1),        )        self.avgpool = nn.AdaptiveAvgPool2d(1)        self.fc = nn.Linear(192, num_classes)    def forward(self, x):        x = self.conv1(x)        x = self.stages(x)        x = self.avgpool(x)        x = torch.flatten(x, 1)        x = self.fc(x)        return x<\/code>
<\/a><\/div><\/pre>\n
\u041f\u043e\u0434\u0440\u043e\u0431\u043d\u0435\u0435 \u043c\u043e\u0434\u0435\u043b\u044c \u043c\u043e\u0436\u043d\u043e \u0438\u0437\u0443\u0447\u0438\u0442\u044c \u0432  scr\/train_mnist.py<\/code> — \u0442\u0443\u0442 \u0438 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430, \u0438 \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0430\/\u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0430 \u0434\u0430\u043d\u043d\u044b\u0445, \u0438 \u043e\u0441\u043d\u043e\u0432\u043d\u0430\u044f \u0444\u0443\u043d\u043a\u0446\u0438\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f, \u0438 \u043b\u043e\u0433\u0433\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u0441 \u0433\u0440\u0430\u0444\u0438\u043a\u0430\u043c\u0438.<\/p>\n
\u041f\u0435\u0440\u0432\u044b\u0439 \u044d\u0442\u0430\u043f \u043f\u0440\u043e\u0439\u0434\u0435\u043d, \u0442\u0435\u043f\u0435\u0440\u044c \u0437\u0430\u0434\u0430\u0447\u0430 \u0441\u043b\u043e\u0436\u043d\u0435\u0435: \u043d\u0430\u0434\u043e \u043d\u0430\u043f\u0438\u0441\u0430\u0442\u044c \u043a\u0430\u0441\u0442\u043e\u043c\u043d\u043e\u0435 \u044f\u0434\u0440\u043e \u043d\u0430 MLX \u0434\u043b\u044f \u0443\u0441\u043a\u043e\u0440\u0435\u043d\u0438\u044f \u0440\u0430\u0431\u043e\u0442\u044b \u0441\u0432\u0435\u0440\u0442\u043e\u043a. <\/p>\n
\u0411\u044b\u0441\u0442\u0440\u044b\u0439 \u043b\u0438\u043a\u0431\u0435\u0437<\/h3>\n
\u041e\u0431\u044b\u0447\u043d\u043e \u0434\u043b\u044f \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u044f \u043d\u0435\u0439\u0440\u043e\u0441\u0435\u0442\u0435\u0439 \u043d\u0430 \u043c\u0430\u043a\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442 PyTorch \u0441 \u0431\u044d\u043a\u0435\u043d\u0434\u043e\u043c MPS (torch.device('mps')<\/code>). \u0412\u043d\u0443\u0442\u0440\u0438 MPS \u043b\u0435\u0436\u0430\u0442 \u0433\u043e\u0442\u043e\u0432\u044b\u0435 \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u043e\u0442 Apple: \u0441\u0432\u0435\u0440\u0442\u043a\u0438, \u043b\u0438\u043d\u0435\u0439\u043d\u044b\u0435 \u0441\u043b\u043e\u0438, \u0440\u0435\u0430\u043b\u0438\u0437\u0430\u0446\u0438\u044f \u0440\u0430\u0437\u043d\u044b\u0445 \u0442\u0438\u043f\u043e\u0432 \u0432\u043d\u0438\u043c\u0430\u043d\u0438\u044f  \u0438 \u043f\u0440\u043e\u0447\u0430\u044f \u0431\u0430\u0437\u0430. \u041d\u043e \u0448\u0430\u0433 \u0432\u043f\u0440\u0430\u0432\u043e, \u0448\u0430\u0433 \u0432\u043b\u0435\u0432\u043e — \u0438 PyTorch \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442 \u0441\u043e\u0431\u0438\u0440\u0430\u0442\u044c \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044e \u0438\u0437 \u043c\u0435\u0434\u043b\u0435\u043d\u043d\u044b\u0445 \u043a\u0443\u0441\u043a\u043e\u0432, \u0433\u043e\u043d\u044f\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0435 \u0442\u0443\u0434\u0430-\u0441\u044e\u0434\u0430 \u0438 \u0436\u0443\u0442\u043a\u043e \u0442\u043e\u0440\u043c\u043e\u0437\u0438\u0442\u044c.<\/p>\n
\u0427\u0442\u043e\u0431\u044b \u043e\u0431\u043e\u0439\u0442\u0438 \u044d\u0442\u0438 \u043e\u0433\u0440\u0430\u043d\u0438\u0447\u0435\u043d\u0438\u044f, Apple \u0432\u044b\u043a\u0430\u0442\u0438\u043b\u0430 MLX<\/strong> — \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0434\u0430\u0435\u0442 \u043f\u0440\u044f\u043c\u043e\u0439 \u0434\u043e\u0441\u0442\u0443\u043f \u043a \u0434\u0432\u0438\u0436\u043a\u0443 Metal. <\/p>\n
\u041a\u0430\u0441\u0442\u043e\u043c\u043d\u044b\u0435 \u044f\u0434\u0440\u0430 \u0432 MLX \u043f\u0438\u0448\u0443\u0442\u0441\u044f \u043d\u0430 MSL (Metal Shading Language)<\/strong>. \u0411\u0430\u0437\u0438\u0440\u0443\u0435\u0442\u0441\u044f \u043e\u043d \u043d\u0430 \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u0430\u0445 \u0421++14\/\u0421++17, \u043d\u043e \u0441\u043e \u0441\u043f\u0435\u0446\u0438\u0444\u0438\u0447\u0435\u0441\u043a\u0438\u043c\u0438 \u0444\u0438\u0448\u043a\u0430\u043c\u0438 \u0434\u043b\u044f GPU. MLX \u0431\u0435\u0440\u0435\u0442 \u0442\u0432\u043e\u0439 \u043a\u043e\u0434 \u043d\u0430 MSL, \u043d\u0430 \u043b\u0435\u0442\u0443 \u043a\u043e\u043c\u043f\u0438\u043b\u0438\u0440\u0443\u0435\u0442 \u0435\u0433\u043e \u043f\u043e\u0434 \u0432\u0438\u0434\u0435\u043e\u0447\u0438\u043f \u0438 \u0432\u044b\u043f\u043e\u043b\u043d\u044f\u0435\u0442 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044e \u0441 Unified Memory \u0432\u043e\u043e\u0431\u0449\u0435 \u0431\u0435\u0437 \u0437\u0430\u0434\u0435\u0440\u0436\u0435\u043a \u043d\u0430 \u043b\u0438\u0448\u043d\u0435\u0435 \u043a\u043e\u043f\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435. <\/p>\n
\u0412\u043e\u0442 \u043a\u0430\u043a \u0432\u044b\u0433\u043b\u044f\u0434\u0438\u0442 \u043f\u0440\u043e\u0441\u0442\u0435\u0439\u0448\u0438\u0439 \u0448\u0430\u0431\u043b\u043e\u043d \u0442\u0430\u043a\u043e\u0433\u043e \u044f\u0434\u0440\u0430 \u043d\u0430 MSL, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0441\u0447\u0438\u0442\u0430\u0435\u0442 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u044e \u0434\u043b\u044f \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u044d\u043b\u0435\u043c\u0435\u043d\u0442\u0430 (Elementwise):<\/p>\n
«`<\/p>\n
#include <metal_stdlib>using namespace metal;kernel void my_custom_op(    device const float* in [[buffer(0)]],    device float* out [[buffer(1)]],    uint index [[thread_position_in_grid]],    uint grid_size [[threads_per_grid]]) \/\/ Metal \u0441\u0430\u043c \u0437\u043d\u0430\u0435\u0442 \u043e\u0431\u0449\u0438\u0439 \u0440\u0430\u0437\u043c\u0435\u0440 \u0441\u0435\u0442\u043a\u0438{    \/\/ \u041f\u0440\u043e\u0441\u0442\u0430\u044f \u0438 \u043b\u0430\u043a\u043e\u043d\u0438\u0447\u043d\u0430\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430 \u0433\u0440\u0430\u043d\u0438\u0446    if (index >= grid_size) return;    out[index] = in[index] * in[index];}<\/code>
<\/a><\/div><\/pre>\n
\u041d\u0430 \u0432\u044b\u0445\u043e\u0434\u0435 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u043f\u0440\u0438\u0440\u043e\u0441\u0442 \u0432 \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u0438 — \u0443\u0431\u0440\u0430\u043b\u0438 \u043b\u0438\u0448\u043d\u0438\u0435 \u0430\u0431\u0441\u0442\u0440\u0430\u043a\u0446\u0438\u0438 \u0438 \u0437\u0430\u0441\u0442\u0430\u0432\u0438\u043b\u0438 \u0436\u0435\u043b\u0435\u0437\u043e Apple Silicon \u043a\u0440\u0443\u0442\u0438\u0442\u044c \u043d\u0430\u0448\u0443 \u043a\u0430\u0441\u0442\u043e\u043c\u043d\u0443\u044e \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0443 \u043d\u0430\u043f\u0440\u044f\u043c\u0443\u044e.<\/p>\n
\u0423\u0441\u043a\u043e\u0440\u044f\u0435\u043c \u0441\u043a\u043e\u0440\u043e\u0441\u0442\u044c<\/h3>\n
\u0412\u0435\u0440\u043d\u0435\u043c\u0441\u044f \u043a \u043d\u0430\u0448\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438. \u0412\u0435\u0441\u0430 \u043b\u0435\u0436\u0430\u0442 \u0432 output\/best_model.pth<\/code>,  \u0430 \u043b\u043e\u0433\u0438\u043a\u0430 \u044f\u0434\u0440\u0430 \u0431\u043e\u043b\u0435\u0435-\u043c\u0435\u043d\u0435\u0435 \u043f\u043e\u043d\u044f\u0442\u043d\u0430. <\/p>\n
\n
\u0421\u0440\u0430\u0437\u0443 \u0441\u0442\u043e\u0438\u0442 \u0441\u043a\u0430\u0437\u0430\u0442\u044c \u043e \u0442\u043e\u043c, \u0447\u0442\u043e torch.compile(model, mode=\"max-autotune\")<\/code> — \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e, \u043d\u043e \u0434\u043b\u044f \u043c\u0435\u043d\u044f \u044d\u0442\u043e \u0441\u043a\u0443\u0447\u043d\u043e. \u0414\u043b\u044f Depthwise Conv \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u044b \u0433\u043b\u0443\u0431\u043e\u043a\u0438\u0435 \u043f\u0440\u043e\u0438\u0437\u0432\u043e\u0434\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u044f\u0434\u0440\u0430, \u0438 \u043a\u043e\u043c\u043f\u0438\u043b\u044f\u0442\u043e\u0440 \u0431\u0435\u0437 \u043f\u0440\u043e\u0431\u043b\u0435\u043c \u043c\u043e\u0436\u0435\u0442 \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0443\u044e \u0432\u0435\u0440\u0441\u0438\u044e \u043c\u043e\u0434\u0435\u043b\u0438. \u041e\u0434\u043d\u0430\u043a\u043e \u0443 \u043c\u0435\u043d\u044f \u0447\u0438\u0441\u0442\u043e \u0441\u043f\u043e\u0440\u0442\u0438\u0432\u043d\u044b\u0439 \u0438\u043d\u0442\u0435\u0440\u0435\u0441 — \u0430 \u0441\u043c\u043e\u0433\u0443 \u043b\u0438 \u044f? \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u043b\u0435\u0433\u043a\u0438\u0439 \u043f\u0443\u0442\u0435\u0439 \u0438\u0441\u043a\u0430\u0442\u044c \u043d\u0435 \u0431\u0443\u0434\u0443. <\/p>\n<\/blockquote>\n
\u041e\u0434\u043d\u0430\u043a\u043e \u0442\u0443\u0442-\u0436\u0435 \u0432\u043e\u0437\u043d\u0438\u043a\u0430\u0435\u0442 \u0441\u0440\u0430\u0437\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u043f\u0440\u043e\u0431\u043b\u0435\u043c: <\/p>\n
    \n
  1. \n
    \u0420\u0430\u0437\u043d\u0438\u0446\u0430 \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 \u0434\u0430\u043d\u043d\u044b\u0445<\/strong>. \u0412 .pth-\u0444\u0430\u0439\u043b\u0435 \u0442\u0435\u043d\u0437\u043e\u0440\u044b \u0430\u043a\u0442\u0438\u0432\u0430\u0446\u0438\u0439 \u043b\u0435\u0436\u0430\u0442 \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 NCHW (Number\/Batch, Channels, Height, Width), \u0430 \u0432\u0435\u0441\u0430 \u0441\u0432\u0451\u0440\u0442\u043e\u043a \u2014 OIHW (Output channels, Input channels, Height, Width). \u041d\u043e \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0430 MLX \u043e\u0436\u0438\u0434\u0430\u0435\u0442 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 \u0444\u043e\u0440\u043c\u0430\u0442\u0435 NHWC, \u0430 \u0432\u0435\u0441\u0430 — \u0432 OHWI. \u0415\u0441\u043b\u0438 \u043d\u0435\u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u0435\u0440\u0435\u043d\u0435\u0441\u0442\u0438 \u0432\u0435\u0441\u0430 \u0438\u043b\u0438 \u043d\u0435\u0432\u043d\u0438\u043c\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0442\u0440\u0430\u043d\u0441\u043f\u043e\u043d\u0438\u0440\u043e\u0432\u0430\u0442\u044c — \u0431\u0443\u0434\u0435\u0442 \u043f\u043b\u043e\u0445\u043e. \u0411\u0443\u0434\u0435\u0442 \u043e\u0447\u0435\u043d\u044c<\/strong> \u043f\u043b\u043e\u0445\u043e.<\/p>\n<\/li>\n
  2. \n
    \u041e\u0441\u043e\u0431\u0435\u043d\u043d\u043e\u0441\u0442\u044c \u043b\u0435\u043d\u0438\u0432\u044b\u0445 \u0432\u044b\u0447\u0438\u0441\u043b\u0435\u043d\u0438\u0439<\/strong> \u041a\u043e\u043c\u043f\u0438\u043b\u044f\u0442\u043e\u0440 MLX \u043b\u0435\u043d\u0438\u0432 (\u043a\u0430\u043a \u0438 \u044f). \u041f\u043e\u043a\u0430 \u044f\u0432\u043d\u043e \u043d\u0435 \u0432\u044b\u0437\u0432\u0430\u0442\u044c mlx.core.eval()<\/code> — \u043e\u043d \u043d\u0438\u0447\u0435\u0433\u043e \u0434\u0435\u043b\u0430\u0442\u044c \u043d\u0435 \u0431\u0443\u0434\u0435\u0442. \u0417\u0430\u043c\u0435\u0440\u044b \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043c\u043e\u0433\u0443\u0442 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u044c 0.0001 \u0441\u0435\u043a\u0443\u043d\u0434, \u043e\u0434\u043d\u0430\u043a\u043e \u044d\u0442\u043e \u043d\u0435 \u0440\u0435\u0430\u043b\u044c\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435. \u0421\u0430\u043c\u0430 \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u0435\u0449\u0435 \u0434\u0430\u0436\u0435 \u043d\u0435 \u0437\u0430\u043f\u0443\u0441\u0442\u0438\u043b\u0430\u0441\u044c, \u0430 \u043a\u043e\u043c\u043f\u0438\u043b\u044f\u0442\u043e\u0440 \u043f\u043e\u043d\u044f\u043b, \u0447\u0442\u043e \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0438\u0433\u0434\u0435 \u043d\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f — \u0437\u043d\u0430\u0447\u0438\u0442 \u0438 \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u044d\u0442\u043e\u0442 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442 \u043d\u0435 \u043d\u0430\u0434\u043e. <\/p>\n<\/li>\n
  3. \n
    \u041f\u0440\u043e\u0431\u043b\u0435\u043c\u0430 Memory-Bound \u0438 latency \u0437\u0430\u043f\u0443\u0441\u043a\u0430 \u044f\u0434\u0435\u0440 (Launch Overhead).<\/strong> \u041d\u0430\u0448\u0430 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0430\u044f CNN-\u043a\u0430 \u043d\u0430 103\u041a \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u043e\u0432 \u0432\u0435\u0441\u0438\u0442 \u043a\u043e\u043f\u0435\u0439\u043a\u0438, \u0430 \u0435\u0451 Arithmetic Intensity \u043d\u0430 Depthwise-\u0441\u043b\u043e\u044f\u0445 \u0431\u043e\u043b\u0442\u0430\u0435\u0442\u0441\u044f \u0432 \u0440\u0430\u0439\u043e\u043d\u0435 0.87-2.2 FLOPs\/byte. \u041f\u0440\u0438 Ridge point \u0447\u0438\u043f\u0430 Apple M1 \u043e\u043a\u043e\u043b\u043e 39 FLOPs\/byte \u044d\u0442\u043e \u0437\u043d\u0430\u0447\u0438\u0442, \u0447\u0442\u043e \u043c\u043e\u0434\u0435\u043b\u044c \u043d\u0430\u043c\u0435\u0440\u0442\u0432\u043e \u0443\u043f\u0438\u0440\u0430\u0435\u0442\u0441\u044f \u0432 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043d\u0443\u044e \u0441\u043f\u043e\u0441\u043e\u0431\u043d\u043e\u0441\u0442\u044c \u043f\u0430\u043c\u044f\u0442\u0438 (Memory bandwidth). \u0415\u0441\u043b\u0438 \u0441\u0447\u0438\u0442\u0430\u0442\u044c \u043a\u0430\u0436\u0434\u044b\u0439 \u0447\u0438\u0445 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e (Conv -> BN -> ReLU), GPU \u0431\u0443\u0434\u0435\u0442 \u0434\u043e\u043b\u044c\u0448\u0435 \u0436\u0434\u0430\u0442\u044c \u043b\u0435\u043d\u0438\u0432\u0443\u044e \u0432\u044b\u0433\u0440\u0443\u0437\u043a\u0443 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0445 \u0442\u0435\u043d\u0437\u043e\u0440\u043e\u0432 \u0432 \u0433\u043b\u043e\u0431\u0430\u043b\u044c\u043d\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c \u0438 \u0441\u0442\u0440\u0430\u0434\u0430\u0442\u044c \u043e\u0442 \u043e\u0432\u0435\u0440\u0445\u0435\u0434\u0430 \u043d\u0430 \u0437\u0430\u043f\u0443\u0441\u043a Metal-\u043a\u043e\u043c\u0430\u043d\u0434, \u0447\u0435\u043c \u0440\u0435\u0430\u043b\u044c\u043d\u043e \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0442\u044c \u043c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0443.<\/p>\n<\/li>\n<\/ol>\n
    \n
    Arithmetic Intensity (\u0430\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0438\u043d\u0442\u0435\u043d\u0441\u0438\u0432\u043d\u043e\u0441\u0442\u044c) — \u044d\u0442\u043e \u043e\u0442\u043d\u043e\u0448\u0435\u043d\u0438\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439 (FLOP) \u043a \u043e\u0431\u044a\u0451\u043c\u0443 \u043f\u0440\u043e\u0447\u0438\u0442\u0430\u043d\u043d\u044b\u0445 \u0438\u043b\u0438 \u0437\u0430\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445 (\u0431\u0430\u0439\u0442\u0430\u043c) \u0432 \u043f\u0440\u043e\u0433\u0440\u0430\u043c\u043c\u0435 \u0438\u043b\u0438 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u0435<\/p>\n<\/blockquote>\n
    \n
    Ridge point (\u0442\u043e\u0447\u043a\u0430 \u043f\u0435\u0440\u0435\u0433\u0438\u0431\u0430, \u043a\u0440\u0438\u0442\u0438\u0447\u0435\u0441\u043a\u0430\u044f \u0442\u043e\u0447\u043a\u0430) — \u044d\u0442\u043e \u0430\u043f\u043f\u0430\u0440\u0430\u0442\u043d\u0430\u044f \u0445\u0430\u0440\u0430\u043a\u0442\u0435\u0440\u0438\u0441\u0442\u0438\u043a\u0430 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u0438\u0441\u0442\u0435\u043c\u044b, \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u044e\u0449\u0430\u044f \u043c\u0438\u043d\u0438\u043c\u0430\u043b\u044c\u043d\u0443\u044e \u0430\u0440\u0438\u0444\u043c\u0435\u0442\u0438\u0447\u0435\u0441\u043a\u0443\u044e \u0438\u043d\u0442\u0435\u043d\u0441\u0438\u0432\u043d\u043e\u0441\u0442\u044c<\/strong> (\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043e\u043f\u0435\u0440\u0430\u0446\u0438\u0439 FLOP \u043d\u0430 1 \u0431\u0430\u0439\u0442 \u0434\u0430\u043d\u043d\u044b\u0445), \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u0430 \u0430\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u0443 \u0434\u043b\u044f \u0434\u043e\u0441\u0442\u0438\u0436\u0435\u043d\u0438\u044f \u043f\u0438\u043a\u043e\u0432\u043e\u0439 \u0432\u044b\u0447\u0438\u0441\u043b\u0438\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u043c\u043e\u0449\u043d\u043e\u0441\u0442\u0438 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u043e\u0440\u0430 (CPU, GPU \u0438\u043b\u0438 NPU). <\/p>\n<\/blockquote>\n
    \"\u041f\u0440\u0438\u0441\u044b\u043b\u0430\u0439\u0442\u0435<\/p>\n
    \u041f\u0440\u0438\u0441\u044b\u043b\u0430\u0439\u0442\u0435 \u0442\u0430\u043a\u0443\u044e \u043c\u043e\u0442\u0438\u0432\u0430\u0446\u0438\u044e \u043a\u043e\u043b\u043b\u0435\u0433\u0430\u043c 3 \u0440\u0430\u0437\u0430 \u0432 \u043d\u0435\u0434\u0435\u043b\u044e \u0438 \u0437\u0430\u0434\u0430\u0447\u0438 \u0431\u0443\u0434\u0443\u0442 \u0432\u044b\u043f\u043e\u043b\u043d\u044f\u0442\u044c\u0441\u044f \u0432\u043e\u0432\u0440\u0435\u043c\u044f. \u041f\u0440\u0438 \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e\u0441\u0442\u0438 \u043f\u0440\u043e\u0432\u0435\u0441\u0442\u0438 \u043a\u0443\u0440\u0441 \u043c\u043e\u0442\u0438\u0432\u0430\u0446\u0438\u0438 \u0435\u0449\u0435 \u0440\u0430\u0437.<\/figcaption><\/div>\n<\/figure>\n
    \u0418\u0442\u0430\u043a, \u043f\u043e\u0433\u043d\u0430\u043b\u0438! \u0421\u0430\u043c\u044b\u0439 \u0432\u0430\u0436\u043d\u044b\u0439 \u0444\u0430\u0439\u043b \u0442\u0443\u0442 — scr\/mlx_model.py<\/code>. \u0412\u043d\u0443\u0442\u0440\u0438 \u043d\u0435\u0433\u043e \u043f\u0440\u043e\u043f\u0438\u0441\u0430\u043d\u0430 \u043b\u043e\u0433\u0438\u043a\u0430 \u044f\u0434\u0440\u0430, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u0443\u0441\u043a\u043e\u0440\u0438\u0442 (\u043d\u0430\u0432\u0435\u0440\u043d\u043e\u0435) \u043c\u043e\u044e \u0441\u0435\u0442\u043a\u0443. \u0414\u0430\u0432\u0430\u0439\u0442\u0435 \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c\u0441\u044f. <\/p>\n
    \u0412\u043d\u0438\u043c\u0430\u0442\u0435\u043b\u044c\u043d\u043e \u0442\u0440\u0430\u043d\u0441\u043f\u043e\u043d\u0438\u0440\u0443\u0435\u043c<\/h4>\n
    def perm_conv(arr):    \"\"\"PyTorch (C_out, C_in, H, W) -> MLX (C_out, H, W, C_in).\"\"\"    return mx.array(arr.transpose(0, 2, 3, 1))<\/code>
    <\/a><\/div><\/pre>\n
    \u0410\u043a\u043a\u0443\u0440\u0430\u0442\u043d\u0430\u044f \u0440\u0430\u0431\u043e\u0442\u0430 \u0441 \u043f\u0430\u043c\u044f\u0442\u044c\u044e — \u043d\u0430\u0448\u0435 \u0432\u0441\u0435. \u041d\u0435 \u0437\u0430\u0431\u044b\u0432\u0430\u0435\u043c \u043f\u0440\u043e \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u0442\u0440\u0430\u043d\u0441\u043f\u043e\u043d\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435, \u043d\u043e \u0434\u043e\u043b\u0433\u043e \u043d\u0430 \u044d\u0442\u043e\u043c \u043c\u043e\u043c\u0435\u043d\u0442\u0435 \u043d\u0435 \u0437\u0430\u0434\u0435\u0440\u0436\u0438\u0432\u0430\u0435\u043c — \u0434\u0430\u043b\u044c\u0448\u0435 \u0431\u043e\u043b\u044c\u0448\u0435.  <\/p>\n
    \u041d\u0430\u0439\u0434\u0438 \u043c\u0435\u043d\u044f, \u0435\u0441\u043b\u0438 \u0441\u043c\u043e\u0436\u0435\u0448\u044c<\/h4>\n
    def load_pt_weights(pt_path, mlx_model):    pt = torch.load(pt_path, map_location=\"cpu\", weights_only=True)    flat = {}    def add(key, arr, do_perm=False):        flat[key] = perm_conv(arr) if do_perm else mx.array(arr)<\/code>
    <\/a><\/div><\/pre>\n
    \u041c\u0430\u043b\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u043f\u043e\u043c\u0435\u043d\u044f\u0442\u044c \u0444\u043e\u0440\u043c\u0430\u0442 \u0442\u0435\u043d\u0437\u043e\u0440\u043e\u0432, \u043d\u0443\u0436\u043d\u043e \u0435\u0449\u0451 \u0437\u0430\u0441\u0442\u0430\u0432\u0438\u0442\u044c MLX \u043f\u043e\u043d\u044f\u0442\u044c, \u043a\u0430\u043a\u043e\u0439 \u0442\u0435\u043d\u0437\u043e\u0440 \u0438\u0437 \u0444\u0430\u0439\u043b\u0430 .pth<\/code> \u043a \u043a\u0430\u043a\u043e\u043c\u0443 \u0441\u043b\u043e\u044e \u043d\u043e\u0432\u043e\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0441\u044f. \u0412 PyTorch \u0432\u0435\u0441\u0430 \u043b\u0435\u0436\u0430\u0442 \u0432 \u043f\u043b\u043e\u0441\u043a\u043e\u043c \u0441\u043b\u043e\u0432\u0430\u0440\u0435 (state_dict<\/code>), \u0430 MLX \u0441\u0442\u0440\u043e\u0438\u0442 \u0438\u0437 \u043d\u0438\u0445 \u043a\u0440\u0430\u0441\u0438\u0432\u043e\u0435 \u0432\u043b\u043e\u0436\u0435\u043d\u043d\u043e\u0435 \u0434\u0435\u0440\u0435\u0432\u043e (tree_unflatten<\/code>).<\/p>\n
    \u0420\u0430\u0437\u0440\u0430\u0431\u043e\u0442\u0447\u0438\u043a\u0438 PyTorch \u0438 MLX \u0432\u0438\u0434\u044f\u0442 \u043c\u0438\u0440 \u043f\u043e-\u0440\u0430\u0437\u043d\u043e\u043c\u0443. \u0418\u0437-\u0437\u0430 \u044d\u0442\u043e\u0433\u043e \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430, \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u043d\u0430\u044f \u043d\u0430 \u0434\u0432\u0443\u0445 \u0444\u0440\u0435\u0439\u043c\u0432\u043e\u0440\u043a\u0430\u0445, \u0438\u043c\u0435\u0435\u0442 \u0430\u0431\u0441\u043e\u043b\u044e\u0442\u043d\u043e \u0440\u0430\u0437\u043d\u044b\u0435 \u0438\u043c\u0435\u043d\u0430 \u043a\u043b\u044e\u0447\u0435\u0439:<\/p>\n
      \n
    1. \n
      \u0418\u043d\u0434\u0435\u043a\u0441\u044b \u043f\u0440\u043e\u0442\u0438\u0432 \u0438\u043c\u0435\u043d<\/strong> <\/p>\n
      \u0412 PyTorch \u043f\u0435\u0440\u0432\u044b\u0439 \u0431\u043b\u043e\u043a \u0443\u043f\u0430\u043a\u043e\u0432\u0430\u043d \u0432 nn.Sequential<\/code>. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0441\u0432\u0451\u0440\u0442\u043a\u0430 \u0442\u0430\u043c \u043d\u0430\u0437\u044b\u0432\u0430\u0435\u0442\u0441\u044f conv1.0.weight<\/code>, \u0430 \u0431\u0430\u0442\u0447-\u043d\u043e\u0440\u043c \u2014 conv1.1.weight<\/code>. \u0412 MLX \u044d\u0442\u043e \u0434\u0432\u0430 \u0440\u0430\u0437\u0434\u0435\u043b\u044c\u043d\u044b\u0445 \u044f\u0432\u043d\u044b\u0445 \u0441\u043b\u043e\u044f: conv1.weight<\/code> \u0438 bn1.weight<\/code>.<\/p>\n<\/li>\n
    2. \n
      \u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u043d\u044b\u0439 \u0445\u0430\u043e\u0441 \u0432 \u0446\u0438\u043a\u043b\u0430\u0445<\/strong><\/p>\n
      \u0412\u043d\u0443\u0442\u0440\u0438 \u0446\u0438\u043a\u043b\u0430 \u043f\u043e \u0441\u0442\u0430\u0434\u0438\u044f\u043c (for i in range(4)<\/code>) \u043d\u0430\u0447\u0438\u043d\u0430\u0435\u0442\u0441\u044f \u0441\u0443\u0449\u0438\u0439 \u0430\u0434. \u0412 PyTorch \u0441\u043b\u043e\u0438 \u043b\u0435\u0436\u0430\u0442 \u0432 \u043f\u043b\u043e\u0441\u043a\u043e\u043c \u0441\u043f\u0438\u0441\u043a\u0435 stages.0.dw.weight<\/code>, \u0430 \u0432 MLX \u043e\u043d\u0438 \u0432\u043b\u043e\u0436\u0435\u043d\u044b \u0432 .layers<\/code>, \u043f\u0440\u0435\u0432\u0440\u0430\u0449\u0430\u044f\u0441\u044c \u0432 stages.layers.0.dw.weight<\/code>.<\/p>\n<\/li>\n
    3. \n
      \u0421\u043f\u0440\u044f\u0442\u0430\u043d\u043d\u044b\u0439 Skip Connection<\/strong><\/p>\n
      \u0421\u0430\u043c\u043e\u0435 \u0432\u0435\u0441\u0451\u043b\u043e\u0435 \u2014 \u043e\u0441\u0442\u0430\u0442\u043e\u0447\u043d\u044b\u0435 \u0441\u0432\u044f\u0437\u0438, \u043e\u043d\u0438 \u0436\u0435 \u0441\u043a\u0438\u043f\u044b. \u0412 \u043c\u043e\u0435\u0439 \u043c\u043e\u0434\u0435\u043b\u0438 \u043e\u043d\u0438 \u0435\u0441\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0430 0 \u0438 2 \u0441\u0442\u0430\u0434\u0438\u044f\u0445. \u0412 PyTorch \u044d\u0442\u043e \u043e\u043f\u044f\u0442\u044c Sequential<\/code> (skip.0.weight<\/code>), \u0430 \u0432 MLX \u2014 \u043a\u0430\u0441\u0442\u043e\u043c\u043d\u043e\u0435 \u0438\u043c\u044f skip_conv.weight<\/code>.<\/p>\n<\/li>\n<\/ol>\n
      \u0424\u0443\u043d\u043a\u0446\u0438\u044f load_pt_weights<\/code> \u0440\u0435\u0448\u0430\u0435\u0442 \u044d\u0442\u0443 \u043f\u0440\u043e\u0431\u043b\u0435\u043c\u0443, \u043f\u0435\u0440\u0435\u0431\u0438\u0440\u0430\u044f \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f \u0432\u0435\u0441\u043e\u0432 \u0438 \u0441\u043e\u043f\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u044f \u0438\u0445. <\/p>\n
      \u041f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 \u0448\u0442\u0440\u0438\u0445\u0438<\/h4>\n
      \u041a\u043b\u0430\u0441\u0441\u044b DepthwiseSeparableConv<\/code> \u0438 DepthwiseMNIST<\/code> \u0441\u043e\u0437\u0434\u0430\u044e\u0442 \u0432 \u043f\u0430\u043c\u044f\u0442\u0438 \u043f\u0443\u0441\u0442\u0443\u044e \u0431\u043e\u043b\u0432\u0430\u043d\u043a\u0443 \u043c\u043e\u0434\u0435\u043b\u0438. <\/p>\n
      \u0427\u0435\u0440\u0435\u0437 count_params<\/code> \u0441\u0447\u0438\u0442\u0430\u0435\u043c \u043f\u0430\u0440\u0430\u043c\u0435\u0442\u0440\u044b — \u0434\u043e\u043b\u0436\u043d\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c\u0441\u044f \u0441\u0442\u043e\u043b\u044c\u043a\u043e-\u0436\u0435, \u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0438 \u043f\u0440\u0438 \u0442\u0440\u0435\u043d\u0438\u0440\u043e\u0432\u043a\u0435. <\/p>\n
      \u0410 get_model<\/code> \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0432\u0435\u0441\u044c \u043d\u0430\u0448 \u043a\u043e\u043d\u0441\u0442\u0440\u0443\u043a\u0442\u043e\u0440 \u0432\u043e\u0435\u0434\u0438\u043d\u043e — \u0447\u0438\u0442\u0430\u0435\u0442 \u0444\u0430\u0439\u043b \u0441 \u0432\u0435\u0441\u0430\u043c\u0438, \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u0435\u0433\u043e \u0440\u0430\u0437\u0432\u043e\u0440\u0430\u0447\u0438\u0432\u0430\u0435\u0442 \u0438 \u0437\u0430\u043f\u0438\u0441\u044b\u0432\u0430\u0435\u0442 \u0432 \u0431\u043e\u043b\u0432\u0430\u043d\u043a\u0443. <\/p>\n
      \u0410 \u0442\u0435\u043f\u0435\u0440\u044c — \u0445\u0430\u0440\u0434\u043a\u043e\u0440 \u043d\u0430 Metal<\/h4>\n
      \u0418\u043c\u0435\u043d\u043d\u043e \u0440\u0430\u0434\u0438 \u044d\u0442\u043e\u0433\u043e \u043c\u044b \u0437\u0434\u0435\u0441\u044c \u0432\u0441\u0435 \u0438 \u0441\u043e\u0431\u0440\u0430\u043b\u0438\u0441\u044c. \u0412\u0441\u0435\u0433\u043e 38 \u0441\u0442\u0440\u043e\u043a, \u043d\u043e \u0437\u0430\u0442\u043e \u043a\u0430\u043a\u0438\u0445! \u041b\u0430\u0434\u043d\u043e, \u043d\u0430\u0433\u043d\u0430\u043b \u043f\u0430\u0444\u043e\u0441\u0430, \u0442\u0435\u043f\u0435\u0440\u044c \u043c\u043e\u0436\u043d\u043e \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0430\u0442\u044c. <\/p>\n
      \u0428\u0430\u0433 1. \u041a\u0442\u043e \u044f \u0438 \u0433\u0434\u0435 \u044f? (\u0418\u043d\u0434\u0435\u043a\u0441\u044b \u043f\u043e\u0442\u043e\u043a\u043e\u0432)<\/strong><\/p>\n
      uint nw = thread_position_in_grid.x;uint row = thread_position_in_grid.y;uint col = thread_position_in_grid.z;<\/code>
      <\/a><\/div><\/pre>\n
      \u041a\u0430\u0436\u0434\u043e\u043c\u0443 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e\u043c\u0443 \u043f\u043e\u0442\u043e\u043a\u0443 (\u0442\u0440\u0435\u0434\u0443) \u043d\u0430 GPU \u0432\u044b\u0434\u0430\u044e\u0442\u0441\u044f \u0441\u0432\u043e\u0438 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b \u0432 \u0442\u0440\u0435\u0445\u043c\u0435\u0440\u043d\u043e\u0439 \u0441\u0435\u0442\u043a\u0435. \u0418\u0437 \u043a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b nw<\/code> \u043c\u044b \u0432\u044b\u0442\u044f\u0433\u0438\u0432\u0430\u0435\u043c \u0438\u043d\u0434\u0435\u043a\u0441 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 \u0432 \u0431\u0430\u0442\u0447\u0435 n<\/code> \u0438 \u0438\u043d\u0434\u0435\u043a\u0441 \u043a\u043e\u043d\u043a\u0440\u0435\u0442\u043d\u043e\u0433\u043e \u043a\u0430\u043d\u0430\u043b\u0430 c<\/code> (\u0432\u0435\u0434\u044c \u0443 \u043d\u0430\u0441 Depthwise-\u0441\u0432\u0451\u0440\u0442\u043a\u0430, \u043a\u0430\u043d\u0430\u043b \u043e\u0431\u0440\u0430\u0431\u0430\u0442\u044b\u0432\u0430\u0435\u0442\u0441\u044f \u0438\u0437\u043e\u043b\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u043e). \u041a\u043e\u043e\u0440\u0434\u0438\u043d\u0430\u0442\u044b row<\/code> \u0438 col<\/code> \u2014 \u044d\u0442\u043e \u043f\u0438\u043a\u0441\u0435\u043b\u044c (\u0441\u0442\u0440\u043e\u043a\u0430 \u0438 \u0441\u0442\u043e\u043b\u0431\u0435\u0446) \u043d\u0430 \u043d\u0430\u0448\u0435\u0439 \u0432\u044b\u0445\u043e\u0434\u043d\u043e\u0439<\/strong> \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435.<\/p>\n
      \u0428\u0430\u0433 2. \u0412\u0438\u0440\u0442\u0443\u0430\u043b\u044c\u043d\u043e\u0435 \u043e\u043a\u043d\u043e (\u0421\u0432\u0451\u0440\u0442\u043a\u0430 3\u04453)<\/strong><\/p>\n
      int h_in = (int)row * stride - 1;int w_in = (int)col * stride - 1;<\/code>
      <\/a><\/div><\/pre>\n
      \u0417\u0434\u0435\u0441\u044c \u043c\u044b \u0432\u044b\u0447\u0438\u0441\u043b\u044f\u0435\u043c, \u043a\u0443\u0434\u0430 \u043d\u0430 \u043e\u0440\u0438\u0433\u0438\u043d\u0430\u043b\u044c\u043d\u043e\u0439 \u0432\u0445\u043e\u0434\u043d\u043e\u0439<\/em> \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0435 \u043f\u0430\u0434\u0430\u0435\u0442 \u043b\u0435\u0432\u044b\u0439 \u0432\u0435\u0440\u0445\u043d\u0438\u0439 \u0443\u0433\u043e\u043b \u043d\u0430\u0448\u0435\u0433\u043e \u044f\u0434\u0440\u0430 \u0441\u0432\u0451\u0440\u0442\u043a\u0438 3\u04453. \u041c\u0438\u043d\u0443\u0441 \u043e\u0434\u0438\u043d (-1<\/code>) \u0431\u0435\u0440\u0435\u0442\u0441\u044f \u0438\u0437-\u0437\u0430 \u0442\u043e\u0433\u043e, \u0447\u0442\u043e \u0443 \u043d\u0430\u0441 padding=1<\/code>, \u0438\u0437-\u0437\u0430 \u0447\u0435\u0433\u043e \u0441\u0432\u0435\u0440\u0442\u043a\u0430 \u043d\u0435\u044f\u0432\u043d\u043e \u0437\u0430\u0441\u0442\u0443\u043f\u0430\u0435\u0442 \u0437\u0430 \u0433\u0440\u0430\u043d\u0438\u0446\u044b \u0438\u0437\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f.<\/p>\n
      \u0428\u0430\u0433 3. \u041f\u0435\u0440\u0435\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u0438 \u0441\u043a\u043b\u0430\u0434\u044b\u0432\u0430\u0435\u043c (\u041c\u0430\u0442\u0435\u043c\u0430\u0442\u0438\u043a\u0430)<\/strong><\/p>\n
      for (int kh = 0; kh < 3; kh++) {    for (int kw = 0; kw < 3; kw++) { ... }}<\/code>
      <\/a><\/div><\/pre>\n
      \u0414\u0432\u0430 \u0446\u0438\u043a\u043b\u0430 \u0431\u0435\u0433\u0443\u0442 \u043f\u043e \u043e\u043a\u043d\u0443 3\u04453. \u0412\u043d\u0443\u0442\u0440\u0438 \u0441\u0442\u043e\u0438\u0442 \u0436\u0435\u0441\u0442\u043a\u0430\u044f \u043f\u0440\u043e\u0432\u0435\u0440\u043a\u0430: \u0435\u0441\u043b\u0438 \u043c\u044b \u0432\u044b\u043b\u0435\u0437\u043b\u0438 \u0437\u0430 \u0433\u0440\u0430\u043d\u0438\u0446\u044b \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438 (\u0432 \u0442\u0435 \u0441\u0430\u043c\u044b\u0435 \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u043f\u0430\u0434\u0434\u0438\u043d\u0433\u0430), \u043c\u044b \u043f\u0440\u043e\u0441\u0442\u043e \u043d\u0438\u0447\u0435\u0433\u043e \u043d\u0435 \u0434\u0435\u043b\u0430\u0435\u043c (\u0441\u0447\u0438\u0442\u0430\u0435\u043c, \u0447\u0442\u043e \u0442\u0430\u043c \u0432\u0438\u0440\u0442\u0443\u0430\u043b\u044c\u043d\u044b\u0439 \u043d\u043e\u043b\u044c). \u0415\u0441\u043b\u0438 \u043c\u044b \u0432\u043d\u0443\u0442\u0440\u0438 \u043a\u0430\u0440\u0442\u0438\u043d\u043a\u0438, \u0442\u043e \u0441\u0447\u0438\u0442\u0430\u0435\u043c \u043f\u043b\u043e\u0441\u043a\u0438\u0439 \u0438\u043d\u0434\u0435\u043a\u0441 \u0432 \u043f\u0430\u043c\u044f\u0442\u0438 inp_idx<\/code> (\u043f\u0440\u0438\u0432\u0435\u0442, channel-last \u0444\u043e\u0440\u043c\u0430\u0442 NHWC<\/code>), \u0437\u0430\u0431\u0438\u0440\u0430\u0435\u043c \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u043f\u0438\u043a\u0441\u0435\u043b\u044f, \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u0432\u0435\u0441 \u0438\u0437 w<\/code> \u0438 \u0434\u043e\u043a\u0438\u0434\u044b\u0432\u0430\u0435\u043c \u0432 \u043e\u0431\u0449\u0443\u044e \u043a\u043e\u043f\u0438\u043b\u043a\u0443 sum_val<\/code>.<\/p>\n
      \u0428\u0430\u0433 4. \u0411\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0439 BatchNorm \u0438 ReLU<\/strong><\/p>\n
      float normed = (sum_val - running_mean[c]) \/ metal::sqrt(running_var[c] + eps);float activated = normed * gamma[c] + beta[c];activated = metal::max(0.0f, activated);<\/code>
      <\/a><\/div><\/pre>\n
      \u0417\u043d\u0430\u0447\u0435\u043d\u0438\u0435 sum_val<\/code> \u0432\u0441\u0451 \u0435\u0449\u0435 \u043b\u0435\u0436\u0438\u0442 \u0432 \u0441\u0432\u0435\u0440\u0445\u0431\u044b\u0441\u0442\u0440\u043e\u043c \u0440\u0435\u0433\u0438\u0441\u0442\u0440\u0435 \u043f\u0440\u043e\u0446\u0435\u0441\u0441\u043e\u0440\u0430. \u041c\u044b \u043d\u0435 \u043e\u0442\u043f\u0440\u0430\u0432\u043b\u044f\u0435\u043c \u0435\u0433\u043e \u0432 \u043c\u0435\u0434\u043b\u0435\u043d\u043d\u0443\u044e \u043e\u0431\u0449\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c. \u041c\u044b \u043f\u0440\u044f\u043c\u043e \u0437\u0434\u0435\u0441\u044c \u0432\u044b\u0447\u0438\u0442\u0430\u0435\u043c \u0441\u0440\u0435\u0434\u043d\u0435\u0435, \u0434\u0435\u043b\u0438\u043c \u043d\u0430 \u043a\u043e\u0440\u0435\u043d\u044c \u0438\u0437 \u0434\u0438\u0441\u043f\u0435\u0440\u0441\u0438\u0438, \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u0432\u0435\u0441\u0430 \u0431\u0430\u0442\u0447-\u043d\u043e\u0440\u043c\u0430 (gamma<\/code>, beta<\/code>) \u0438 \u0441\u0440\u0430\u0437\u0443 \u0436\u0435 \u043e\u0431\u043d\u0443\u043b\u044f\u0435\u043c \u0432\u0441\u0451, \u0447\u0442\u043e \u043c\u0435\u043d\u044c\u0448\u0435 \u043d\u0443\u043b\u044f (\u044d\u0444\u0444\u0435\u043a\u0442 ReLU<\/code>).<\/p>\n
      \u0428\u0430\u0433 5. \u0412\u044b\u0433\u0440\u0443\u0437\u043a\u0430<\/strong><\/p>\n
      out[out_idx] = activated;<\/code>
      <\/a><\/div><\/pre>\n
      \u0418 \u0442\u043e\u043b\u044c\u043a\u043e \u0442\u0435\u043f\u0435\u0440\u044c, \u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0441\u044f \u0444\u0438\u043d\u0430\u043b\u044c\u043d\u044b\u0439, \u043e\u0442\u043c\u044b\u0442\u044b\u0439 \u0431\u0430\u0442\u0447-\u043d\u043e\u0440\u043c\u043e\u043c \u0438 \u0430\u043a\u0442\u0438\u0432\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u0439 \u043f\u0438\u043a\u0441\u0435\u043b\u044c, \u043c\u044b \u043e\u0434\u0438\u043d-\u0435\u0434\u0438\u043d\u0441\u0442\u0432\u0435\u043d\u043d\u044b\u0439 \u0440\u0430\u0437<\/strong> \u043b\u0435\u0437\u0435\u043c \u0432 \u0433\u043b\u043e\u0431\u0430\u043b\u044c\u043d\u0443\u044e \u043f\u0430\u043c\u044f\u0442\u044c \u0443\u0441\u0442\u0440\u043e\u0439\u0441\u0442\u0432\u0430 \u0438 \u0437\u0430\u043f\u0438\u0441\u044b\u0432\u0430\u0435\u043c \u0435\u0433\u043e \u0442\u0443\u0434\u0430.<\/p>\n
      \u0422\u0435\u043f\u0435\u0440\u044c, \u043a\u043e\u0433\u0434\u0430 \u0431\u043e\u043b\u044c\u0448\u0430\u044f \u0447\u0430\u0441\u0442\u044c \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0438\u0440\u043e\u0432\u0430\u043d\u0430, \u043c\u043e\u0436\u043d\u043e \u0437\u0430\u043f\u0443\u0441\u043a\u0430\u0442\u044c \u0442\u0435\u0441\u0442\u044b. \u0410 \u0447\u0442\u043e \u0432\u043e\u0431\u0449\u0435 \u0438\u0437\u043c\u0435\u0440\u044f\u0442\u044c?<\/p>\n
      \u0422\u0435\u0441\u0442\u044b, \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u0438 \u0432\u044b\u0432\u043e\u0434\u044b<\/h4>\n
      \u0418\u0442\u0430\u043a, \u0443 \u043d\u0430\u0441 \u0435\u0441\u0442\u044c 3 \u043a\u0430\u043d\u0434\u0438\u0434\u0430\u0442\u0430: <\/p>\n
        \n
      1. \n
        PyTorch MPS (\u044d\u0442\u0430\u043b\u043e\u043d). \u041c\u043e\u0434\u0435\u043b\u044c \u043d\u0430\u043f\u0438\u0441\u0430\u043d\u0430 \u043d\u0430 PyTorch, \u0440\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0447\u0435\u0440\u0435\u0437 MPS. \u042d\u0442\u043e \u0431\u0435\u0439\u0437\u043b\u0430\u0439\u043d, \u0431\u0435\u0437 \u043a\u0430\u043a\u0438\u0445-\u043b\u0438\u0431\u043e \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439.<\/p>\n<\/li>\n
      2. \n
        MLX (baseline) — \u0442\u0430 \u0436\u0435 \u0430\u0440\u0445\u0438\u0442\u0435\u043a\u0442\u0443\u0440\u0430, \u043f\u043e\u0440\u0442\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0430\u044f \u043d\u0430 MLX \u0432\u0440\u0443\u0447\u043d\u0443\u044e (channel-last). \u0420\u0430\u0431\u043e\u0442\u0430\u0435\u0442 \u0447\u0435\u0440\u0435\u0437 \u0448\u0442\u0430\u0442\u043d\u044b\u0435 mlx.nn.Conv2d<\/code> \/ mlx.nn.BatchNorm<\/code>. \u041f\u043e\u043a\u0430\u0437\u044b\u0432\u0430\u0435\u0442, \u0441\u043a\u043e\u043b\u044c\u043a\u043e MLX \u0432\u044b\u0434\u0430\u0451\u0442 \u0431\u0435\u0437 \u043e\u043f\u0442\u0438\u043c\u0438\u0437\u0430\u0446\u0438\u0439.<\/p>\n<\/li>\n
      3. \n
        MLX (fused) — \u0442\u043e \u0436\u0435 \u0441\u0430\u043c\u043e\u0435, \u043d\u043e depthwise 3x3<\/code> + BatchNorm<\/code> + ReLU<\/code> \u0437\u0430\u043c\u0435\u043d\u0435\u043d\u044b \u043d\u0430 \u043e\u0434\u043d\u043e \u043a\u0430\u0441\u0442\u043e\u043c\u043d\u043e\u0435 Metal-\u044f\u0434\u0440\u043e (\u043e\u0434\u0438\u043d launch \u0432\u043c\u0435\u0441\u0442\u043e \u0442\u0440\u0451\u0445, \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0442\u0435\u043d\u0437\u043e\u0440\u044b \u043d\u0435 \u043f\u0438\u0448\u0443\u0442\u0441\u044f \u0432 \u043f\u0430\u043c\u044f\u0442\u044c).<\/p>\n<\/li>\n<\/ol>\n
        \u0418\u0437\u043c\u0435\u0440\u044f\u043b 2 \u043e\u0441\u043d\u043e\u0432\u043d\u044b\u0435 \u043c\u0435\u0442\u0440\u0438\u043a\u0438: Latency<\/strong> (\u0432\u0440\u0435\u043c\u044f \u043e\u0436\u0438\u0434\u0430\u043d\u0438\u044f \u043e\u0442\u0432\u0435\u0442\u0430 \u043c\u043e\u0434\u0435\u043b\u0438 \u043d\u0430 \u043e\u0434\u0438\u043d \u0437\u0430\u043f\u0440\u043e\u0441) \u0438 Throughput<\/strong> (\u043a\u043e\u043b-\u0432\u043e \u0437\u0430\u043f\u0440\u043e\u0441\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u043e\u0435 \u043f\u043e\u043b\u0443\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u0430\u0442\u044c \u0437\u0430 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u043e \u0432\u0440\u0435\u043c\u044f). <\/p>\n
        \u0422\u0430\u043a-\u0436\u0435 \u0434\u043e\u043f\u043e\u043b\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u043e \u0437\u0430\u043f\u0438\u0441\u0430\u043b \u043c\u0435\u0442\u0440\u0438\u043a\u0438 \u0438 \u043f\u043e\u0441\u0442\u0440\u043e\u0438\u043b \u0433\u0440\u0430\u0444\u0438\u043a\u0438: <\/p>\n