tvm的IR定义、计算类型、数据类型和infer shape

TVM（Tensor Virtual Machine）是一种深度学习编译器框架，旨在为深度学习模型提供端到端的高性能编译优化。以下从IR定义、计算类型、数据类型和infer shape四个方面对TVM编译器图框架进行分析：

### **IR定义**

**Intermediate Representation (IR)** 是编译器中的一种通用表示形式，用于连接前端（如Python、C++等高级语言）与后端（如特定硬件的汇编代码、机器码等）。在TVM中，IR主要体现在两层：

1. **Relay IR**：面向深度学习模型的高级IR，提供了声明式编程模型，易于理解和编写。Relay IR支持控制流（如if-else、loop）、函数定义、变量定义、运算符（如加法、乘法、卷积等）、张量操作等。Relay IR的设计使得模型的结构和运算清晰可见，便于进行高级别的优化和分析。

2. **TVM IR**：又称`Tensor Expression`（TE），是面向底层硬件优化的低级IR。TE以表达式树的形式描述计算任务，每个节点代表一个基本的算子或复合算子，具有明确的数据依赖关系。TE IR更侧重于硬件相关的优化，如并行度、内存访问模式、指令调度等。

### **计算类型**

TVM中的计算类型主要指运算符和函数的类型，这些类型决定了计算任务的具体行为和优化空间。常见的计算类型包括：

- **Element-wise Operations**：如加法、乘法、指数、逻辑运算等，对张量中的每个元素独立进行操作。
- **Reduction Operations**：如求和、最大值、最小值等&#x