TVM安装常用问题

如何添加新的硬件后端

• 如果硬件后端支持LLVM，则可以通过设置正确的目标三元组来直接生成代码target。
• 如果目标硬件是GPU，请尝试使用cuda，opencl或vulkan后端。
• 如果目标硬件是特殊的加速器，请checkout VTA：深度学习加速器堆栈，并将代码生成到TVM。
• 对于上述所有情况，使用AutoTVM添加特定于目标的优化模板，请参见AutoTVM：基于模板的自动调整AutoTVM : Template-based Auto Tuning。
• 除了使用LLVM的向量化之外，还可以嵌入微内核micro-kernels，以利用硬件内在函数，请参阅使用张量化，以利用硬件内在函数。

TVM与其他IR / DSL项目的关系

在深度学习系统中，IR通常有两个抽象层次。TensorFlow的XLA和Intel的ngraph都使用计算图表示。这种表示形式是高级的，并且有助于执行通用优化，例如内存重用，布局转换和自动微分。

TVM采用低级表示，可明确表示内存布局，并行化模式，局部性和硬件基元等的选择。此IR级别更接近直接针对目标硬件。低级IR采用了来自现有图像处理语言（例如Halide），暗室darkroom和循环转换工具（例如基于loopy和基于多面体的分析）的思想。特别专注于表达深度学习工作负载（例如，递归），针对不同硬件后端的优化以及嵌入框架以提供端到端编译堆栈。

TVM与libDNN，cuDNN的关系

TVM可以将这些库合并为外部调用。TVM的目标之一是能够生成高性能内核。当从人工内核技术中学习，逐步将它们添加为DSL中的原语，逐步发展TVM。另请参阅前面内容以了解TVM中算子的配置。

https://tvm.apache.org/docs/faq.html