TVM 从入门到精通 | 安装 TVM (Part 1)

关注

原创最新推荐文章于 2026-10-29 11:05:39 发布 3.2k 阅读 AI 写同款· GEO 优化 ›

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阅读详情

内容一览：TVM 共有三种安装方法：从源码安装、使用 Docker 镜像安装和 NNPACK Contrib 安装。本文重点介绍如何通过源码安装 TVM。

关键词：TVM 快速上手源码安装

在之前的文章《TVM 中文站正式上线！最全机器学习模型部署「参考书」它来了》中，我们整体介绍了 TVM 的重要作用，以及如何借助 TVM 中文文档，开启机器学习编译器的探索之路。

接下来，我们将以系列教程的形式， 详细讲解 TVM 从入门到精通的学习路径，希望每位开发者都能成为优秀的机器学习编译工程师！

本篇文章中，我们将介绍「打地基」的关键步骤–安装 TVM。

TVM 的安装可通过 3 种途径实现：

从源码安装
Docker 镜像
NNPACK Contrib 安装

作为安装 TVM 教程的 (Part 1)，本文将详细讲解从源码安装的最佳实践， 并进行最大限度地灵活配置和编译。

逐步讲解如何从源码安装 TVM

在各种系统中从 0 到 1 构建和安装 TVM 软件包包括两个步骤：

从 C++ 代码中构建共享库

Linux：libtvm.so
macOS ：libtvm.dylib
Windows：libtvm.dll

2.为编程语言包进行设置（如 Python 包）

下载 TVM 源代码，请访问：https://tvm.apache.org/download

开发者：从 GitHub 获取源代码

从 GitHub 上克隆源码仓库，请使用 --recursive 选项来克隆子模块。

git clone --recursive https://github.com/apache/tvm tvm

Windows 用户可以打开 Git shell，并输入以下命令：

git submodule init
git submodule update

构建共享库

我们的目标是构建共享库：

在 Linux 上
目标库是 libtvm.so 和 libtvm_runtime.so
在 MacOS 上
目标库是 libtvm.dylib 和 libtvm_runtime.dylib
在 Windows 上
目标库是 libtvm.dll 和 libtvm_runtime.dll

也可以只构建运行时库：
https://tvm.hyper.ai/docs/how_to/deploy/

TVM 库的最低构建要求是：

支持 C++17 的最新 C++ 编译器
GCC 7.1
Clang 5.0
Apple Clang 9.3
Visual Stuio 2019 (v16.7)
CMake 3.10 或更高版本
推荐使用 LLVM 构建 TVM 库以启用所有功能。
如需使用 CUDA，请确保 CUDA 工具包的版本至少在 8.0 以上。
注意：CUDA 旧版本升级后，请删除旧版本并重新启动。
macOS 可安装 Homebrew 以方便安装和管理依赖。
Python：推荐使用 3.7.X+ 和 3.8.X+ 版本，3.9.X+ 暂时不支持。

在 Ubuntu/Debian 等 Linux 操作系统上，要安装这些依赖环境，请在终端执行：

sudo apt-get update
sudo apt-get install -y python3 python3-dev python3-setuptools gcc libtinfo-dev zlib1g-dev build-essential cmake libedit-dev libxml2-dev

用 Homebrew 为搭载 Intel 或 M1 芯片的 macOS 安装所需的依赖，需遵循 Homebrew 指定的安装步骤，以保证正确安装和配置这些依赖：

brew install gcc git cmake
brew install llvm
brew install python@3.8

使用 cmake 来构建库

TVM 的配置可以通过编辑 config.cmake 和/或在命令行传递 cmake flags 来修改：

如果没有安装 cmake，可访问以下官网下载最新版本 https://cmake.org/download/
创建一个构建目录，将 cmake/config.cmake 复制到该目录

mkdir build
cp cmake/config.cmake build

编辑 build/config.cmake 自定义编译选项
- 对于 macOS 某些版本的 Xcode，需要在 LDFLAGS 中添加 -lc++abi，以免出现链接错误
- 将 set(USE_CUDA OFF) 改为 set(USE_CUDA ON) 以启用 CUDA 后端。对其他你想构建的后端和库（OpenCL，RCOM，METAL，VULKAN…）做同样的处理。
- 为了便于调试，请确保使用 set(USE_GRAPH_EXECUTOR ON) 和 set(USE_PROFILER ON) 启用嵌入式图形执行器 (embedded graph executor) 和调试功能。
- 如需用 IR 调试，可以设置 set(USE_RELAY_DEBUG ON)，同时设置环境变量 TVM_LOG_DEBUG。
TVM 需要 LLVM 用于 CPU 代码生成工具 (Codegen)。推荐使用 LLVM 构建。
- 使用 LLVM 构建时需要 LLVM 4.0 或更高版本。注意，默认的 apt 中的 LLVM 版本可能低于 4.0。
- 由于 LLVM 从源码构建需要很长时间，推荐从 LLVM 下载页面下载预构建版本。
  1. 解压缩到某个特定位置，修改 build/config.cmake 以添加 set(USE_LLVM /path/to/your/llvm/bin/llvm-config)
  2. 或直接设置 set(USE_LLVM ON)，利用 CMake 搜索一个可用的 LLVM 版本。
- 也可以使用 LLVM Ubuntu 每日构建
  注意 apt-package 会在 llvm-config 中附加版本号。例如，如果你安装了 LLVM 10 版本，则设置 set(USE_LLVM llvm-config-10)
- PyTorch 的用户建议设置 set(USE_LLVM "/path/to/llvm-config --link-static") 和 set(HIDE_PRIVATE_SYMBOLS ON) 以避免 TVM 和 PyTorch 使用的不同版本的 LLVM 之间潜在的符号冲突。
- 某些支持平台上，Ccache 编译器 Wrapper 可帮助减少 TVM 的构建时间。在 TVM 构建中启用 CCache 的方法包括：
  1. Ccache 的 Masquerade 模式。通常在 Ccache 安装过程中启用。要让 TVM 在 masquerade 中使用 Ccache，只需在配置 TVM 的构建系统时指定适当的 C/C++ 编译器路径。例如：cmake -DCMAKE_CXX_COMPILER=/usr/lib/ccache/c++ ...
  2. Ccache 作为 CMake 的 C++ 编译器前缀。在配置 TVM 的构建系统时，将 CMake 变量 CMAKE_CXX_COMPILER_LAUNCHER 设置为一个合适的值。例如：cmake -DCMAKE_CXX_COMPILER_LAUNCHER=ccache ...
构建 TVM 及相关库：

cd build
cmake ..
make -j4

可以使用 Ninja 来加速构建

cd build
cmake .. -G Ninja
ninja

在 TVM 的根目录下也有一个 Makefile，它可以自动完成其中的几个步骤： 创建构建目录，将默认的 config.cmake 复制到该构建目录下，运行 cmake，并运行 make。

构建目录可以用环境变量 TVM_BUILD_PATH 来指定。如果 TVM_BUILD_PATH 没有设置，Makefile 就会假定应该使用 TVM 里面的 build 目录。由 TVM_BUILD_PATH 指定的路径可以是绝对路径，也可以是相对于 TVM 根目录的路径。如果 TVM_BUILD_PATH 被设置为一个以空格分隔的路径列表，则将创建所有列出的路径。

如果使用另一个构建目录，那么应该在运行时设置环境变量 TVM_LIBRARY_PATH，它指向编译后的 libtvm.so 和 libtvm_runtime.so 的位置。如果没有设置，TVM 将寻找相对于 TVM Python 模块的位置。与 TVM_BUILD_PATH 不同，这必须是一个绝对路径。

# 在 "build" 目录下构建
make

# 替代位置，"build_debug"
TVM_BUILD_PATH=build_debug make

# 同时构建 "build_release" 和 "build_debug"
TVM_BUILD_PATH="build_debug build_release" make

# 使用调试构建
TVM_LIBRARY_PATH=~/tvm/build_debug python3

如果一切顺利，我们就可以去查看 Python 包的安装了。

使用 Conda 环境进行构建

Conda 可以用来获取运行 TVM 所需的必要依赖。 如果没有安装 Conda，请参照 Conda 安装指南来安装 Miniconda 或 Anaconda。在 Conda 环境中运行以下命令：

# 用 yaml 指定的依赖创建 Conda 环境
conda env create --file conda/build-environment.yaml
# 激活所创建的环境
conda activate tvm-build

上述命令将安装所有必要的构建依赖，如 CMake 和 LLVM。 接下来可以运行上一节中的标准构建过程。

在 Conda 环境之外使用已编译的二进制文件，可将 LLVM 设置为静态链接模式 set(USE_LLVM "llvm-config --link-static")。这样一来，生成的库就不会依赖于 Conda 环境中的动态 LLVM 库。

以上内容展示了如何使用 Conda 提供必要的依赖，从而构建 libtvm。如果已经使用 Conda 作为软件包管理器，并且希望直接将 TVM 作为 Conda 软件包来构建和安装，可以按照以下指导进行：

conda build --output-folder=conda/pkg  conda/recipe
# 在启用 CUDA 的情况下运行 conda/build_cuda.sh 来构建
conda install tvm -c ./conda/pkg

在 Windows 上构建

TVM 支持通过 MSVC 使用 CMake 构建。 需要有一个 Visual Studio 编译器。VS 的最低版本为 Visual Studio Enterprise 2019

注意：查看针对 GitHub Actions 的完整测试细节，请访问 Windows 2019 Runner ：

https://github.com/actions/virtual-environments/blob/main/images/win/Windows2019-Readme.md

官方推荐使用 Conda 环境进行构建，以获取必要的依赖及激活的 tvm-build 环境。

运行以下命令行：

mkdir build
cd build
cmake -A x64 -Thost=x64 ..
cd ..

上述命令在构建目录下生成了解决方案文件。接着运行：

cmake --build build --config Release -- /m

构建 ROCm 支持

目前，ROCm 只在 Linux 上支持，因此所有教程均以 Linux 为基础编写的。

设置 set(USE_ROCM ON)，将 ROCM_PATH 设置为正确的路径。
需要先从 ROCm 中安装 HIP runtime。确保安装系统中已经安装了 ROCm。
安装 LLVM 的最新稳定版本（v6.0.1），以及 LLD，确保 ld.lld 可以通过命令行获取。

Python 包的安装

TVM 包

本部分介绍利用 virtualenv 或 conda 等虚拟环境和软件包管理器，来管理 Python 软件包和依赖的方法。
Python 包位于 tvm/python。安装方法有两种：

方法 1

本方法适用于有可能修改代码的开发者。

设置环境变量 PYTHONPATH，告诉 Python 在哪里可以找到这个库。例如，假设我们在 /path/to/tvm 目录下克隆了 tvm，我们可以在 ~/.bashrc 中添加以下代码：这使得拉取代码及重建项目时，无需再次调用 setup，这些变化就会立即反映出来。

export TVM_HOME=/path/to/tvm
export PYTHONPATH=$TVM_HOME/python:${PYTHONPATH}

方法 2

通过 setup.py 安装 TVM 的 Python 绑定：

# 为当前用户安装 TVM 软件包
# 注意：如果你通过 homebrew 安装了 Python，那么在安装过程中就不需要 --user
#        它将被自动安装到你的用户目录下。
#        在这种情况下，提供 --user 标志可能会在安装时引发错误。
export MACOSX_DEPLOYMENT_TARGET=10.9  # 这是 mac 所需要的，以避免与 libstdc++ 的符号冲突
cd python; python setup.py install --user; cd ..

Python 依赖

注意，如果你想要安装到一个受管理的本地环境，如 virtualenv，则不需要 --user 标志。

必要的依赖：

pip3 install --user numpy decorator attrs

使用 RPC 跟踪器

pip3 install --user tornado

使用 auto-tuning 模块

pip3 install --user tornado psutil xgboost cloudpickle

注意：在搭载 M1 芯片的 Mac 上，安装 xgboost / scipy 时可能遇到一些问题。scipy 和 xgboost 需要安装 openblas 等额外依赖。运行以下命令行，安装 scipy 和 xgboost 以及所需的依赖和配置：

brew install openblas gfortran

pip install pybind11 cython pythran

export OPENBLAS=/opt/homebrew/opt/openblas/lib/

pip install scipy --no-use-pep517

pip install xgboost

安装 Contrib 库

NNPACK Contrib 安装，查看
https://tvm.hyper.ai/docs/install/nnpack

启用 C++ 测试

可以用 Google Test 来驱动 TVM 中的 C++ 测试。安装 GTest 最简单的方法是从源代码安装：

git clone https://github.com/google/googletest
cd googletest
mkdir build
cd build
cmake -DBUILD_SHARED_LIBS=ON ..
make
sudo make install

安装成功后，可以用 ./tests/scripts/task_cpp_unittest.sh 来构建和启动 C++ 测试，或者直接用 make cpptest 构建。

以上就是本期教程–安装 TVM 的 Part 1 部分，在 Part 2 中，我们将继续讲解另外两种 TVM 安装方法：Docker 镜像安装以及 NNPACK Contrib 安装。

欢迎大家持续关注 tvm.hyper.ai，了解 TVM 中文的最佳进展！

—— 完 ——

收录于

人工智能

标签

#TVM #深度学习 #安装TVM #源码安装

TVM（端到端深度学习编译器）简介算子编译器前后端引入引入 2021.2.8 和振伟聊了关于HW OD的工作内容，深度上很好的方向，目前纯OP的high level的设计，业界已经内卷了即难以进步。 torch已经很好用了社区也好，想从纯软件上进步很难。而硬骨头OP在硬件上的优化比如GPU有前途但研发周期长，人才紧缺，还在缓慢发展中。 TVM是业界有名气的平台，HW的TBE对标TVM 要做一个接口在前端（各种框架）和后端（异构）。有了前后端的经验，那么整个行业的Edge端都可以用到，市场很大。 ... 阅读详情