重启的码农

在本章中，我们认识了 `ggml` 中强大的内存规划专家——**图分配器 (`ggml_gallocr`)**，结合代码和图介绍了ggml_gallocr的工作原理。

在本章中，我们深入了解了 `ggml` 的内存管理基石——**后端缓冲区**。并通过cpu缓冲区、gpu缓冲区对比，结合代码介绍了不同缓冲区的使用方法。

在本章中，我们认识了 `ggml` 的“大厨”——**后端 (ggml_backend)**，结合代码和示意图讲解了不同ggml_backend的工作过程。

在本章中，我们探索了 `ggml` 生态系统的文件格式标准 GGUF，以及与之交互的工具 `gguf_context`。

在本章中，我们学习了 `ggml` 的执行核心——**计算图 (ggml_cgraph)**，结合代码样例和图示，讲解了计算图的构建过程。

在本章中，我们介绍 `ggml` 的内存大管家——**上下文 (ggml_context)**，通过图、代码结合，揭示ggml_context的高效内存管理方法。

在本章中，我们介绍了 `ggml` 高效运行大型模型的关键方法——**量化**，结合图、代码讲解了ggml量化的过程。

本章中我们将探索 ggml 的核心概念，张量(Tensor)，为什么我们需要它？ 它是怎么表达的，为什么选择这样来表达。

ggml 是一个为机器学习设计的张量库。它的核心思想是使用计算图来表示对多维数组（即“张量”）的一系列操作。通过抽象的后端系统，它可以在各种硬件（如 CPU 和 GPU）上高效运行。