本文以及后续文章，着重于介绍tvm的完整编译流程。

后续文章将会按照以上流程，介绍tvm源码。其中涉及一些编程技巧、以及tvm概念，不在此部分进行进一步讲解，另有文章进行介绍。

首先介绍一下，从onnx模型转为tvm模型的基本步骤。大致可以分为以下几步：

1. onnx模型转到relay IR

2. 基于Relay IR优化

3. 导出优化模型

4. 加载运行模型

   onnx_model = onnx.load(model_path)
   target = "llvm"
   input_name = "1"
   shape_dict = {input_name: x.shape}

   onnx -> relay

   mod, params = relay.frontend.from_onnx(onnx_model, shape_dict)

   model build

   with tvm.transform.PassContext(opt_level=3):
   lib = relay.build(mod, target=target, params=params)

   Save the library at local temporary directory.

   fcompile = ndk.create_shared if not local_demo else None
   lib.export_library("net.so", fcompile)

   // cpp load compiled so
   tvm::runtime::Module mod_factory = tvm::runtime::Module::LoadFromFile("lib/net.so");
   // create the graph executor module
   tvm::runtime::Module gmod = mod_factory.GetFunction("default")(dev);
   tvm::runtime::PackedFunc set_input = gmod.GetFunction("set_input");
   tvm::runtime::PackedFunc get_output = gmod.GetFunction("get_output");
   tvm::runtime::PackedFunc run = gmod.GetFunction("run");

   // Use the C++ API
   tvm::runtime::NDArray x = tvm::runtime::NDArray::Empty({2, 2}, DLDataType{kDLFloat, 32, 1}, dev);
   tvm::runtime::NDArray y = tvm::runtime::NDArray::Empty({2, 2}, DLDataType{kDLFloat, 32, 1}, dev);

   for (int i = 0; i < 2; ++i) { for (int j = 0; j < 2; ++j) { static_cast(x->data)[i * 2 + j] = i * 2 + j;
   }
   }
   // set the right input
   set_input("1", x);
   // run the code
   run();
   // get the output
   get_output(0, y);