The Taichi High-Performance and Differentiable Programming Language for Sparse and Quantized Visual Computing about papers-notebook HOT 3 OPEN

太极的背景和动机（Motivation）是这样的：计算机视觉的程序通常是用 cpp 和 cuda 实现的。这样的方式有很多缺点：

• 性能调优很难，需要非常熟悉 cpp 和 cuda。在工业界里这样的工程师通常稀少且昂贵。
• 可移植性很差，在未来 Nvidia 未必是唯一的 GPU，所以这个问题会越来越严重。
• 生产力低下，类比互联网领域，之前用 cpp 写 backend 的时代效率很低，现代语言如 go java 都极大的提高了生产力。

不过在 CG 这个领域，太极也有一些 non-goals：

• tasks with domain-specific hardware support, and
• coarse-granularity tasks, where function call overheads and data transfer time are negligible, with well-optimized libraries.

文中给出了几个例子，比如 vulkan openGL 优化的非常好的渲染任务，或者 TF PyTorch 已经处理的非常好的 DL 训练等。

from papers-notebook.

from papers-notebook.

CG 这个场景下有一些领域特定的特点，比如上图。CG 的数据分布是空间上的稀疏，所以利用这个特性，能够做一些通用的编译器/库做不了的优化。

太极做了这么几个设计决策（挑着几个印象深刻的写）：

• 分离数据结构和计算。这个的意思应该是用户看到的数据结构是声明式的，声明自己的期望即可。使用起来 dense 场景和 sparse 场景的数据结构是一个样子的（反面例子见 TF Tensor/SparseTensor？）
• Regular Grids 是基本的数据结构，暂时不太明白（
• 自动生成后端代码，用户只需要指定是想要 cuda 还是 vulkan 还是别的，代码会自动生成

from papers-notebook.