【TVM教程】张量程序抽象-优快云博客

TVM 现已更新到 0.21.0 版本，TVM 中文文档已经和新版本对齐。

Apache TVM 是一个深度的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。

在线运行 TVM 学习教程→https://go.hyper.ai/PEh1Q

在深入了解 TensorIR 之前，我们先介绍什么是原始张量函数（primitive tensor function）。原始张量函数指的是代表单个「计算单元」的函数。例如，一个卷积操作可以是一个原始张量函数，一个融合了卷积与 relu 的操作也可以是一个原始张量函数。通常，原始张量函数的抽象包含以下几个要素：多维缓冲区（multi-dimensional buffers）、驱动张量计算的循环嵌套（loop nests）以及计算语句本身。

from tvm.script import tir as T

@T.prim_func
def main(
    A: T.Buffer((128,), "float32"),
    B: T.Buffer((128,), "float32"),
    C: T.Buffer((128,), "float32"),
) -> None:
    for i in range(128):
        with T.block("C"):
            vi = T.axis.spatial(128, i)
            C[vi] = A[vi] + B[vi]

张量程序的关键元素

上面展示的原始张量函数计算了两个向量的逐元素加法。这个函数：

接收三个多维缓冲区作为参数，并生成一个多维缓冲区作为输出。
包含一个简单的循环嵌套 i 来驱动计算过程。
包含一个计算语句，用于计算两个向量的逐元素加和。

TensorIR 中的额外结构

需要注意的是，我们无法对程序执行任意的变换，因为某些计算依赖于循环的顺序。幸运的是，我们关注的大多数原始张量函数具有良好的性质，例如循环迭代之间相互独立。例如，前面的程序中包含了块（block）和迭代（iteration）的注解信息：

块注解 with T.block("C") 表示该块是调度中指定的基本计算单元。一个 block 可以只包含一条计算语句，也可以包含带有循环的多条语句，甚至是一些无法透视的内在指令（如 Tensor Core 指令）。
迭代注解 T.axis.spatial 表示变量 vi 映射到 i，并且所有迭代是独立的。

虽然这些信息对于执行特定程序并非关键，但在变换程序时却非常有用。因此，只要我们访问了索引从 0 到 128 的所有元素，就可以放心地并行化或重排与 vi 相关的循环。