1、bottom-up多层规约图融合策略
大约16年前后，业界对于推理应用的性能诉求还不普遍，对于有性能需求的场景，最常见的做法是利用设备供应商提供的API加速计算图中的部分计算密集型（Compute-bound，以下称CB）算子，如Conv、Dense等。
这一时期，用户自定义的算子融合多半是相邻访存密集型（Memory-bound，以下称MB）算子的融合；而典型的CB+MB形式的融合（例如Conv+ReLU）则受限于供应商API的支持程度。
随着AI模型在各领域的发展、成熟和落地，模型推理在具体设备上的性能变得越发重要，17年到18年，业界出现了大量面向DL模型推理的计算框架，算子融合技术在不同框架上呈现出两种典型的发展路线：
遍历路线：针对特定设备，枚举实现典型的CB+MB形式的融合算子，如Conv+ReLU/Conv+BN+ReLU/Dense+ReLU/Conv+Sum等等，Intel的oneDNN以及国内很多大厂的推理框架走的都是这个路线；
规则路线：基于规则实现算子融合，以TVM为例，其将所有算子分为Opaque/Injective/Reduction/Complex-out四类，并设定融合规则形如Complex-out+Injective/Injective+Injective/Injective+Reduction等，以此实现所有符合规则的子图融合。
原作者：MindSpore
