常见问题

如何安装

阅读 安装 TVM

如何添加一个新的硬件后端

• 如果硬件后端有 LLVM 支持，那么我们可以通过设置正确的目标三要素，如 target 直接生成代码。

• 如果目标硬件是 GPU，尽量使用 cuda、opencl 或 vulkan 后端。

• 如果目标硬件是一个特殊的加速器，签出 VTA：通用张量加速器 和 带你自己的 Codegen 到 TVM。

• 对于上述所有情况，你可能想使用 AutoTVM 添加目标特定的优化模板，见 Auto-Tune with Templates and AutoTVM。

• 除了使用 LLVM 的矢量化，我们还可以嵌入微内核来利用硬件本征，见 Use Tensorize to Leverage Hardware Intrinsics。

TVM 与其他 IR/DSL 项目的关系

在深度学习系统中，通常有两个层次的 IR 抽象。TensorFlow 的 XLA 和英特尔的 ngraph 都使用计算图表示。这种表示法是高水平的，可以帮助进行通用优化，如内存重用、布局转换和自动区分”

TVM 采用了一种低级别的表示方法，明确表达了对内存布局、并行化模式、位置性和硬件基元等的选择。这一层次的 IR 更接近于直接的目标硬件。低级别的 IR 采用了现有的图像处理语言的想法，如 Halide、darkroom 和循环转换工具，如 loopy 和基于多面体的分析。我们特别关注表达深度学习的工作负载（如递归），为不同的硬件后端进行优化，并与框架嵌入，以提供端到端的编译栈。

TVM 与 libDNN、cuDNN 的关系

TVM 可以将这些库作为外部调用纳入。TVM 的一个目标是能够生成高性能的内核。我们将以渐进的方式发展 TVM，因为我们从手工制作内核的技术中学习，并将这些技术作为基元加入 DSL 中。TVM 中运算符的配方也见顶部。

安全

参阅：安全指南