【tvm官网教程】AutoTVM:基于模板的自动调优

神经网络编译器TVM,autoTVM自动代码优化及c++部署cuda实践 内容简介:   本文介绍了一种能够让你的神经网络跑的飞起的技术方法,截止目前已经有一定知名度,把这个方法学会,应该能有一定的收获.特别是在模型提速层面有不小的提速,同时,值得注意的时,这种autotvm是一种神经网络推理代码的搜索,其本质是自动生成了推理的代码,并且帮助你编译成对应的平台,更加需要提一嘴的事情是,autotvm没有改变数学层面的推理部分表达,该是wx+b 亦或者是激活函数部分是没有变化的,不会像比如量化的那种优化方法会造成一定的精度损失.所以这个方法值得尝试!下面是本个教程的所有代码仓库, 阅读详情

目的

理解华为的autotvm,先理解原生的。

1. autotvm模块

TVM中的自动调优模块,auto-tuning包括:

  • 调优空间定义API
  • 高效自动调优器
  • 调优结果和数据集支持
  • 分布式度量以扩大调优范围

1.1 API get_config()

tvm.autotvm.task.task.get_config()
获得当前的autotvm配置对象,返回值类型ConfigSpace或者ConfigEntity。

1.2 class ConfigSpace

class tvm.autotvm.task.space.ConfigSpace

1.2.1 define_split()

define_split(name, axis, policy=‘factors’, **kwargs)
定义一个可调节旋钮,用于将指定轴split。
policy–调优器策略:

  • factors 调优器将尝试所有可分解因子
  • power2 调优器将尝试2的幂次方的因子
  • verbose 调优器将尝试上述两个策略的并集
  • candidate 调试器根据指定的候选集进行尝试

policy额外的参数还有:

  • max_factor
  • filter
  • num_outputs: split之后轴的最大个数
  • no_tail:bool值,是否仅将可除数作为因子

1.2.2 class SplitEntity

classtvm.autotvm.task.space.SplitEntity(size)
成员函数只有一个apply。
apply(sch, op, axis)
sch-调度, op-stage, axis-将被切分的轴。

1.2.3 define_knob()

define_knob(name, candidate)
用候选集定义一个可调节旋钮。

1.3 task

tvm.autotvm.task
任务是模板函数的可调组成。

调优器执行可调任务,并优化任务中所有模板功能的联合配置空间。

1.3.1 create

Task = tvm.autotvm.task.task.create(task_name, args, target, target_host=None)
创建一个调优任务,并初始化搜索空间。

## 前面定义搜索空间,这里创建搜索任务
N, H, W, CO, CI, KH, KW, strides, padding = 1, 7, 7, 512, 512, 3, 3, (1, 1), (1, 1)
task = autotvm.task.create("tutorial/conv2d_no_batching", args=(N, H, W, CO, CI, KH, KW, strides, padding), target="cuda")
print(task.config_space)
ConfigSpace (len=10454400, space_map=
   0 tile_f: Split(policy=factors, product=512, num_outputs=4) len=220
   1 tile_y: Split(policy=factors, product=7, num_outputs=4) len=4
   2 tile_x: Split(policy=factors, product=7, num_outputs=4) len=4
   3 tile_rc: Split(policy=factors, product=512, num_outputs=3) len=55
   4 tile_ry: Split(policy=factors, product=3, num_outputs=3) len=3
   5 tile_rx: Split(policy=factors, product=3, num_outputs=3) len=3
   6 auto_unroll_max_step: OtherOption([0, 512, 1500]) len=3
   7 unroll_explicit: OtherOption([0, 1]) len=2
)

1.4 measure

tvm.autotvm.measure
面向用户的API,用于指定如何衡量生成的代码。

1.4.1 measure_option

tvm.autotvm.measure.measure_option(builder, runner)
设置测量选项。为了测量配置,TVM将build并运行它。因此,我们必须为这两个步骤设置选项。builder和runner在超时、并行等方面有自己的选项。

1.5 tuner

tvm.autotvm.tuner
调优器以task作为输入。它从ConfigSpace中挑出了一些有可能是最优解的ConfigEntity,并在实际硬件上进行了评估。然后根据测量结果挑出下一批ConfigEntity。所谓调优就是此过程的循环。

常用的调优器有:

  • RandomTuner() 以随机顺序枚举搜索空间
  • GridSearchTuner() 以grid顺序枚举搜索空间
  • GATuner() 以基因算法搜索
  • XGBTuner() 以xgboost算法搜索

常用成员函数有:

  • tune() 开始调优
    tune(n_trial, measure_option, early_stopping=None, callbacks=(), si_prefix=‘G’)

1.6 apply_history_best

tvm.autotvm.apply_history_best(records)
调优的过程可以记录在log中,在将日志文件传递给这个方法得到最佳解的上下文。

@autotvm.template("tutorial/conv2d_no_batching")
def conv2d_no_batching(N, H, W, CO, CI, KH, KW, stride, padding):
    ### 一堆计算描述和可调调度,成为一个模板
    return s, [raw_data, kernel, conv]
 
 with autotvm.apply_history_best("conv2d.log"):
    with tvm.target.Target("cuda"):
        s, arg_bufs = conv2d_no_batching(N, H, W, CO, CI, KH, KW, strides, padding)
        func = tvm.build(s, arg_bufs)
 
 # func现在已经是可以执行的、经过优化的、与target耦合的函数实现了
a_np = np.random.uniform(size=(N, CI, H, W)).astype(np.float32)
w_np = np.random.uniform(size=(CO, CI, KH, KW)).astype(np.float32)
c_np = conv2d_nchw_python(a_np, w_np, strides, padding) #作为精度标杆,作为性能基数

dev = tvm.gpu()
a_tvm = tvm.nd.array(a_np, device=dev)
w_tvm = tvm.nd.array(w_np, device=dev)
c_tvm = tvm.nd.empty(c_np.shape, device=dev)
func(a_tvm, w_tvm, c_tvm)

2. class Schedule

tvm.te中的类Schedule,有四个成员函数:cache_read()、cache_write()、create_group()、normalize()、rfactor()。

normalize()
从当前调度中build一个归一化的调度,插入必要的rebase,以保证迭代向量从0开始。

stage = create_group(outputs, inputs, include_inputs=False)
用给定的输入输出绑定,创建一个stage。

tensor = cache_read(tensor, scope, readers)
为读取器创建原始张量的缓存读取。如果调用这个接口,必须在所有split、fuse原语之前。

tensor = cache_write(tensor, scope)
在保存到tensor之前,创建原始张量的缓存写入。

tensor = rfactor(tensor, axis, factor_axis=0)

1. 调优专用于GPU的高性能Conv

你大可针对特定的输入shape,手写conv、depthwiseconv的GPU实现,但是难写,而且难以移植到新device上。

TVM支持定义调度模板,然后用搜索算法自动搜索最佳设计,并将搜索过程、最佳设计记录,也有方便的工具进行分析和导入导出(入门教程)。

  • step1. 定义搜索空间
    tensor = tvm.topi.nn.conv2d_nchw(Input, Filter, stride, padding, dilation, out_dtype=None)
    接收NCHW格式的输入,进行conv2d计算。

  • step2. 搜索空间

2. 调优专用于GPU的高性能CNN

可以从tvm.relay.testing中加载一下预定义的网络,也可以从Pytorch、Tensorflow、MXNet、ONNX、Keras、TFLite、CoreML、DarkNet和Caffe2等框架导出并加载模型。

tvm.relay
The Relay IR namespace containing the IR definition and compiler.

relay.op.get(“nn.conv2d”) 没找到doc
autotvm.task.extract_from_program() 没找到doc

tvm.relay.build(ir_mod, target=None, target_host=None, params=None, mod_name=‘default’)
build能在TVM图执行器(TVM graph executor)运行的Relay函数。
辅助函数,返回:

  • graph_json 能被图执行器接收的json字符串;
  • mod tvm.Module 包含必要库的模型
  • params dict 最终图的权重

class tvm.contrib.graph_executor.GraphModule(module)
运行时模型包装器。
这是底层TVM模块的精简包装。您还可以直接调用底层模块的set_input(),run()和get_output()函数。

3. 调优专用于x86 CPU的高性能CNN

除了对kernel的实现调优之外,TVM的Relay模块还支持图级别的优化。
优化器有:use_DP、PBQPTuner。

没有找到对应的doc,但是教程中可以看到几个成员函数:
benchmark_layout_transform()
run()
write_opt_sch2record_file()

class tvm.transform.PassContext(opt_level=2, required_pass=None, disabled_pass=None, trace=None, config=None)
进行Relay优化/分析的基础上下文。每个pass上下文都包含许多辅助信息,这些信息用于帮助优化过程。这些信息包括记录优化过程中的错误的错误报告器等。

4. 调优专用于ARM CPU的高性能CNN

TVM使用RPC会话与ARM板进行通信。在调优期间,调优器会将生成的代码发送到ARM板上,并测量ARM板上的计算速度。

为了扩大调优范围,TVM使用RPC Tracker来管理分布式设备。RPC跟踪器是一个集中式控制器节点。我们可以将所有设备注册到跟踪器。

在host侧启动RPC Tracker:

python -m tvm.exec.rpc_tracker --host=0.0.0.0 --port=9190

在device上build TVM运行时;
然后向跟踪器注册device:

python -m tvm.exec.rpc_server --tracker=[HOST_IP]:9190 --key=rk3399
【AI系统】Auto-Tuning 原理 AutoTVM 是 TVM 的第一代自动调优系统,其是基于模板的。AutoTVM 需要事先编写模板来组成调度的搜索空间,最佳性能的上限取决于模板的设计,这对模板的编写带来了很高的要求。作为第二代调优系统,Ansor(Auto Scheduler)取消了模板机制,优化过程可以自动、无干预的进行:无需手动指定优化方式,编译器自动应用调度原语。Ansor 自动生成一个覆盖全面的优化的大搜索空间,并为空间中的每个张量程序提供被选择的机会。首先,它自动构建一个大的搜索空间,以覆盖给定计算定义的尽可能多的张量程序。 阅读详情

相关推荐

【AI系统】Auto-Tuning 实战:从原理到TVM三代调优系统解析

本文深入解析了AI系统中Auto-Tuning(自动调优)技术的实战演进,从解决硬件碎片化与算子多样性的需求出发,详细剖析了TVM三代调优系统:基于模板的AutoTVM、全自动的Ansor(Auto-Scheduler)以及统一可扩展的Meta Schedule框架。文章通过代码实例对比了三者的原理、优缺点及适用场景,为开发者在不同需求下进行高性能AI算子优化提供了清晰的选型指南和实践路径。

weixin_28455801的博客 464

使用调度模板和AutoTVM优化算子

本文翻译自Optimizing Operators with Schedule Templates and AutoTVM — tvm 0.9.dev0 documentation 在本教程中,我们将展示如何使用TVM张量表达式(TE)语言来编写调度模板,AutoTVM可以搜索这些模板来找到最佳的调度。这个过程被称为自动调优,它有助于优化张量计算的过程的自动化。 本教程建立在上一篇关于如何使用TE编写矩阵乘法的教程的基础上。 自动调优有两个步骤。 第一步是定义搜索空间。 第二步是运行搜索算法来探索

zx_ros的博客 698

MCP协议接入与PyTorch/TVM工程化实战指南

MCP(Model Control Protocol)作为AI模型服务化的标准化通信协议,正逐步成为连接模型、工具与业务系统的基础设施层;其核心价值在于定义统一的RESTful接口契约,解决模型孤岛与集成碎片化问题。结合PyTorch 2.3+的torch.compile优化、CUDA Graph调度及TVM 2024版跨平台量化编译能力,开发者可实现从训练完成到终端部署的端到端加速。该技术路径显著提升推理吞吐、降低硬件适配成本,并支撑Android、Jetson、树莓派等边缘场景落地。本文聚焦MCP服务构

weixin_33851429的博客 195

TVM系列 - 图优化 - 算子融合

TVM系列 - 图优化 - 算子融合 图优化综述 声明一下,本文所有的理解都是基于个人理解。 图优化算是一个推理框架前端比较成熟的操作了,一般来说,针对模型做图优化有两个目的(对于通用框架来说,就加速减少计算一个目的了): 减少Node的数量, 不管是算子融合,还是无效节点去除,共同的目的就是减少整个graph中node的数量,因为对于框架来说,从一个node到另一个node之间就意味着数据的搬运。举个例子,我们知道算子合并最经典的就是将BN层融合到Conv层,我们姑且不论融合后计算量的减少,单单是减少了

Artyze的博客 1万+

TVM:一种自动端到端优化的深度学习编译器

现有的 DL 框架依赖于计算图 IR 来实现优化,比如自动微分(Auto Differentiation)和动态内存管理。然而计算图层级(Graph-level)的优化对硬件后端特定算子层级(Operator-level)的变换来说,往往视角太高了。这些框架大部分关注的都是服务器级 GPU 设备中的一小撮,而把目标机相关的优化委派给高度工程化的、厂家特化的算子库。这类算子库需要大量的人工调优,也因此过于特殊化(普适性差)和不透明,导致不易于在硬件平台之间移植。即使是框架支持的后端,优化计算图时也需要在以下两

liteng607的博客 5097

SRAM Bank数量配置:性能、面积与功耗的权衡指南

SRAM(静态随机存取存储器)是芯片设计中的关键存储单元,其Bank数量配置直接影响访问延迟、吞吐率、功耗和面积。Bank切分通过将存储阵列分区,缩短位线和字线延迟,从而提升性能,但会增加外围电路开销。合理配置Bank数量可优化PPA(性能、功耗、面积),在28nm和16nm工艺下,2个Bank通常是性价比最高的选择。本文基于实测数据,探讨不同场景下的Bank配置策略,帮助工程师避免常见误区,提升设计效率。

weixin_27230891的博客 180

【tvm官网教程01】设计和架构-1

【tvm官网教程01】设计和架构-1目的1. 编译流1.1 关键数据结构1.2 Transformations1.2.1 变换的分类1.2.2 relay/transform1.2.2.1 子函数1.2.2.2 overall问题1.2.3 tir/transform1.3 搜索空间和基于学习的transformation1.4 Target Translation1.5 Runtime Execution1.6 小结2. 逻辑组件2.1 tvm/support2.2 tvm/runtime2.3 tvm

B10030607的博客 1994

【顾邦小讲堂】第二十四期 电源环路测试从入门到精髓:一文掌握环路测试原理与电压注入点选择依据

电源环路测试是评估开关电源、线性电源等闭环系统稳定性的核心手段,直接关系到电源的稳定性、输出精度、动态响应、抗干扰能力甚至可靠性

GBupupup的博客 2122

TVM中的auto-scheduling机制(Ansor)学习笔记

背景 TVM沿用了Halide中算法的计算与调度分离的思想。用户使用Tensor Expression(TE)这种DSL定义计算,然后编译器优化相应的schedule,最后生成目标平台的代码。因此,要根据给定的计算自动产生高性能的算子实现,其核心就是找到好的schedule。然而这个schedule不仅和计算相关,还与硬件平台相关。这个搜索空间很大,本质上是个np-complete的组合优化问题。因此,TVM引入了auto-tuning机制,它使得编译出的算子实现性能上有了很大提升。最早一代的auto-tu

世事难料,保持低调 9981

Windows 24H2下eNSP AR_40启动失败的终极修复指南

本文针对Windows 11 24H2更新后eNSP AR_40路由器启动失败的问题,提供了终极修复方案。核心在于解决系统强制虚拟化安全(VBS/Hyper-V)与老版模拟软件的兼容性冲突。指南详细介绍了安装关键系统更新KB5053656、精细调整Windows虚拟化功能以及后续排错步骤,帮助用户在24H2系统上稳定运行eNSP进行网络实验。

weixin_29233333的博客 508

Python爬虫实战:抓取天气数据并生成可视化图表(完整可复制代码)

工具/库核心作用选型理由requests发送HTTP请求,获取天气网页内容语法简单,上手快,支持Headers配置(反爬)解析HTML页面,提取目标天气数据无需懂复杂XPath,API直观,快速定位标签pandas数据清洗、整理(如日期/温度格式化)一键处理数据格式,与matplotlib无缝适配matplotlib生成可视化图表(折线图/饼图/柱状图)Python主流可视化库,定制性强,支持保存高清图生成随机User-Agent,应对反爬自动更新UA池,避免手动维护。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 911

自学笔记之TVM编译器框架:核心特性、模型优化与AI应用落地中的TaoToken统一Key实践

TVM 编译器框架把 PyTorch 模型编译到 ARM 边缘设备时,先用 Relay 承接计算图、AutoScheduler 搜索最优 schedule,再通过 TaoToken 统一 Key 收敛多模型推理服务调用入口。访问官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 创建 Key,配置 Base URL 与模型 ID 三件套即可验证通道。

weixin_42612804的博客 7

25年PINN创新点大盘点!

在科研论文的激烈角逐中,想轻松产出高含金量成果?物理信息神经网络(PINN)堪称“宝藏研究方向”,是冲击高分区论文的绝佳赛道!对于渴望发表优质论文的科研伙伴,这三大研究路径值得重点关注。首先是自适应PINN,在PINN训练过程中,物理方程与实测数据间的矛盾常常导致权重调节困难,而恰好直击这一痛点,是极具价值的研究方向。其次,同样前景广阔,传统多物理场同时训练效果欠佳,如今分阶段训练方法脱颖而出,成效显著且竞争较小。最后,探索及多任务学习等技术的融合,能实现优势叠加,碰撞出创新火花。

Malaai的博客 1973

深度学习编译器系列视频摘要

文章目录0. 前言深度学习编译器(一)综述深度学习编译器(二)Auto TVM深度学习编译器(三) Auto Schedule 0. 前言 在B站黄雍涛博士发了几个深度学习编译器的视频,感觉说得挺好,所以记录一下。 深度学习编译器(一)综述 视频链接: 深度学习编译器的作用:加速推理。 深度学习编译器总架构 一般分为前端与后端。 前端:把各种各样的模型转换为编译器认识的形式(如TVM的Relay,一般都是DAG的形式),再进行各类图优化、算子融合等(都属于经典的《编译原理》的一部分)。 后

清欢 839

MIKE水动力笔记5_建立水动力模型

前文已经讲了如何制作网格文件(.mdf文件),这一博文就讲如何建立水动力模型。

晏长街的博客 3万+

PyTorch生成式人工智能(25)——基于Transformer实现机器翻译

不同于循环神经网络 (RNN) 按顺序处理数据,Transformer 以并行的方式处理输入数据(例如句子)。这种并行处理提高了效率,但并未使其能够识别输入的顺序。为了解决这个问题,Transformer 向输入的词嵌入中添加了位置编码。这些位置编码是分配给输入序列中每个位置的独特向量,其维度与输入词嵌入对齐。本节将以英语到法语的翻译为例,通过介绍如何训练 Transformer 模型将英语句子转换为法语,深入理解 Transformer 的架构及自注意力机制的运作方式。

盼小辉丶的博客 2805

【TVM 学习资料】用 Schedule 模板和 AutoTVM 优化算子

本教程将展示如何用 TVM 张量表达式(TE)语言编写 schedule 模板,并通过 AutoTVM 对模板进行搜索,从而找到最佳 schedule。

HyperAI超神经 1002

【毕设级教程】从0到1实现基于YOLOv8的xView卫星图像目标检测系统(含UI界面,助力遥感智能毕设)

本文基于YOLOv8模型设计了一个面向xView卫星图像的目标检测系统。首先对xView数据集进行了格式转换处理,将原始多边形标注转换为YOLO格式的边界框标注。随后通过配置YOLOv8模型参数完成训练,实现了对卫星图像中建筑、车辆等多类目标的准确识别。为提高系统交互性,采用PyQt开发了可视化界面,支持图像选择、实时检测和结果展示功能。整个系统兼顾学术价值和实用价值,为遥感领域的自动化目标检测提供了可行方案。

m0_64661770的博客 131

AutoSchedule和AutoTVM

简介 AutoTVM 用户自己手写一个模版,在模版里面自己定义一下tune的参数,例如tile size等。给定一个模版,在这个模版里面去搜索参数,使得可以达到一组最好的参数使得张量计算的结果最好。但是,它是一种基于模板的方法,因此仍然需要领域专家为每个平台上的每个算子实现一个性能比较好的模板。今天,TVM 代码库中有超过 15,000 行这些模板的代码。除了非常难以开发之外,这些模板通常效率低下且搜索空间有限,无法实现最佳性能。 Auto Schedule : Template-free Auto Sch

free1993的博客 1519

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

WINCC7.3破解文件

WINCC7.3硬件够破解文件,有需要的下载!WINCC7.3硬件够破解文件,有需要的下载!

深度学习AI编译器-TVM简介

深度学习编译器主要为解决不同框架下训练的模型部署到指定的某些设备上时所遇到的一系列复杂的问题,即将各种深度学习训练框架的模型部署到各种硬件所面临的问题;

wsq_zqfl的博客 3480

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

compiler 学习(3)——Auto TVM 理解

> 对于特性后端识别出一系列针对硬件的优化原语,这些优化原语组成一个庞大的搜索空间,TVM 使用基于机器学习的优化器(AutoTVM),从搜索空间中找到一种高性能的优化方法 --> 将优化后的算子部署到后端设备。各种深度学习框架 --> 计算图 --> 高层级graph --> 优化计算图 --> 算子级别的优化和 code gen。XGBTuner 使用 XGBoost 作为成本模型。例如对于矩阵乘,搜索空间可以是矩阵的不同切法,例如。

哦豁灬 1万+

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

Backend Tuning--auto tuning

相似的算子:normalization 、layer normalization 这些算子的计算模式相似可以抽象出来一种固定优化的pattern或者方式。

qq_45664896的博客 339

使用Python API(AutoTVM),2024年最新面试官最后应该说什么

书籍的好处就在于权威和体系健全,刚开始学习的时候你可以只看视频或者听某个人讲课,但等你学完之后,你觉得你掌握了,这时候建议还是得去看一下书籍,看权威技术书籍也是每个程序员必经之路。Python所有方向路线就是把Python常用的技术点做整理,形成各个领域的知识点汇总,它的用处就在于,你可以按照上面的知识点去找对应的学习资源,保证自己学得较为全面。成为一个Python程序员专家或许需要花费数年时间,但是打下坚实的基础只要几周就可以,如果你按照我提供的学习路线以及资料有意识地去实践,你就有很大可能成功!

2401_84141293的博客 495

AI编译器与TVM

由于AI芯片的特殊性和高度定制化,为了兼容硬件的多样性,AI模型必须能被高效地映射到各种AI芯片上。AI编译器将深度学习框架描述的AI模型作为输入,将为各种AI芯片生成的优化代码作为输出。AI编译器的目标是通过编译优化的方法将深度学习框架产生的AI模型转化为与特定架构的AI芯片适配的可执行机器码。主流的AI硬件厂商都提供了高度优化的算子库或者推理引擎来实现高效计算,但是依赖算子库的缺点是算子库覆盖的硬件范围有限,而且库函数的更新落后于模型的发展速度,无法充分发挥AI芯片算力。

欢迎订阅 -- 小源笔迹 1604

当卷积神经网络遇上AI编译器:TVM自动调优深度解析

优化卷积层的历程,就像在迷宫中寻找隐藏的通道。每次性能的提升,都是对计算机体系结构本质的更深理解。当看到自己的配置使推理速度提升10倍时,那种喜悦,大概就是工程师的"多巴胺时刻"吧。

qq_38961840的博客 1687

TVM + MLC 模型编译全流程拆解:算子融合与自动调优机制解析

你知道大模型在浏览器上如何运行吗?背后靠的不是模型“轻”了,而是**编译器够强了**。 > 本文将带你从底层出发,深入拆解 TVM × MLC 的模型编译过程: > 从 Relay IR 表达模型 → 算子融合 → 图调度优化 → 后端代码生成, > 了解如何为不同设备(CPU / GPU / WebGPU)生成高效的推理代码,并掌握 TVM 的关键配置与性能调优手法。

努力分享一些人工智能、计算机视觉、影像等相关的知识干货! 1237
上一篇: 【tvm官网教程】张量表达与调度
下一篇: 【tvm官网教程】AutoSchedule:无模板的自动调度
BesiseB
博客等级 码龄14年 92粉丝 34原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值