【开源任务】GraphNet 计算图收集

[JewelRoam]

一、Why GraphNet?

你愿意成为 下一代 AI Infra 机床 的共创者吗？
我们欢迎所有开发者，加入 Graphnet 贡献墙。

当前，深度学习模型数量日益庞大，却严重依赖于手动内核优化（如算子融合），使得模型和编译器算法与特定硬件紧密相关，严重增加了高性能开发的成本。而 AI for Compilers 通过将深度学习集成到张量编译器后端中，从而快速探索出最优性能。可以预计，随着大语言模型的快速发展，智能编译器将在各种硬件平台上自动传输算子融合模式，实现 AI Infra 的端到端优化。我们称之为 AI Infra 机床：“A machine tool that builds tools”。

为了支持此愿景，受 ImageNet 之于 CV 领域的启发，我们提出 GraphNet，计划构建一个 大规模计算图集合，包含逾百万张计算图，覆盖跨越NLP、CV和多模态的50余个模型类别，旨在作为训练和验证 AI 驱动的张量编译器的标准数据集。为了确保样本规模、正确性和丰富度，我们设计了一套简洁而强大的约束规则，确保计算图抽取过程可复现，并支持编译器评测与性能优化研究。

我们坚信，GraphNet 将为 “AI for Systems” 以及 “System for AI” 的新一代研究奠定基础。

参与本项活动，您将了解 GraphNet 开源数据集的设计，以及我们后续的 AI4C 张量编译机床构想，学习 Pytorch / Paddle 框架组件的调试技能，并积累向 Paddle 开源社区贡献的经验。

二、贡献流程

GraphNet 计划优先增广数据集的丰富度、拆解粒度，开发者需要预先查看目标任务（例如特定模型on特定框架）是否已在graph_net/samples和graph_net/paddle_samples中存在，若尚未入库，则可以开始收集，并在自查通过后提交贡献PR（若有多个未合入的相同样本PR，我们将优先采纳时间更早的）。

计算图抓取和验证等具体操作流程请参阅 Contributing to GraphNet 和更为详细的 共创者指引 / Co-Creation Tutorial

三、验收标准

我们的检查过程基于CI工具，如果 GitHub Actions 工作流显示 绿色成功状态，GraphNet 团队将会进行 Review 与合并；

若失败，开发者需根据 PR 的 Checks 标签页 中的错误日志，更新提交 PR 触发新的检查。

其核心检查环节与 Validation API 一致，验证8项 GraphNet 数据集约束（Dataset Construction Constraints）。

PR 包含：

• 新增的模型样本，提交到samples下对应的软件包目录
• 所使用的抽取脚本，提交到graph_net/tests

同时，请注意遵守 PR 填写模版。