这东西就是在于任意的显卡都能加速任意模型
当然如何有人使用taichi写一个卷积那么计算机视觉也能任意显卡加速人工智能
如果还有人写了个深度学习训练框架那么恭喜AMD，ARM 等任何芯片厂商乐疯

import taichi as ti
import numpy as np
ti.init(arch=ti.vulkan)


class Linear():
    def __init__(self, input_size, output_size, weights=None):
        if weights:
            self.weights = weights
        else:
            # self.weights = ti.Matrix([[0] * output_size] * input_size)
            self.weights = ti.Matrix(np.random.random(output_size*input_size).reshape([input_size,output_size]))

    @staticmethod
    def taichi_mul(a, b):
        ar, al = a.to_numpy().shape
        br, bl = b.to_numpy().shape
        assert al == br

        @ti.kernel
        def mlp() -> ti.types.matrix(ar, bl, dtype=ti.float32):
            return a @ b

        return mlp()

    def forward(self, a):
        return self.taichi_mul(a, self.weights)

    def set_weights(self, weights):
        self.weights = ti.Matrix(weights)


l1 = Linear(3, 5)
print(l1.forward(ti.Matrix([[1] * 3])))

这段代码实现了一个简单的线性层（Linear layer）类，通过调用 forward 函数可以对输入进行线性变换。其中 Linear 类中的 weights 表示线性层的权重矩阵，可以通过构造函数的输入或者 set_weights 函数进行设置。forward 函数使用 taichi_mul 函数实现了矩阵乘法，并返回了乘积结果。

在 __init__ 函数中，如果 weights 参数被传入，则将其作为权重矩阵；否则通过 np.random.random 函数生成随机的权重矩阵。其中，输入参数 input_size 和 output_size 分别表示输入和输出的特征数。

在 taichi_mul 函数中，输入参数 a 和 b 分别表示两个矩阵，通过 Taichi 提供的 @ 运算符实现了矩阵乘法，返回乘积结果。值得注意的是，Taichi 不能直接操作 Python 中的数据类型，因此在使用 Taichi 前，需要将 Python 中的数据类型转换为 Taichi 中的数据类型，可以调用 to_numpy() 函数将 Taichi 中的数据类型转换为 NumPy 中的数据类型，然后对其进行操作，最后再调用 ti.Matrix() 函数将其转换为 Taichi 中的数据类型。

在主函数中，首先构造了一个输入矩阵 [[1] * 3]，然后通过 l1.forward() 函数将其输入到 l1 线性层中，得到线性变换的结果，最后将结果打印输出。