TVM編譯器原理與實踐

第1章 TVM基本知識/
1.1TVM基本原理/
1.1.1TVM概述/
1.1.2TVM 模型優化部署概述/
1.2TVM編譯過程/
1.2.1編譯流程/
1.2.2TVM編譯資料結構/
1.2.3TVM編譯資料處理/
1.2.4TVM的Pass過程/
1.3TVM開源工程邏輯架構/
1.3.1代碼庫代碼結構/
1.3.2代碼自動內核/
1.4TVM應用支援/
1.4.1TVM的工作流程/
1.4.2支援多語言與多平臺/
1.4.3TVM應用場景/
1.4.4TVM優化模型推理/
1.4.5TVM編譯器與運行時組件/
1.4.6TVM運行時主要模組/
1.4.7TVM簡單代碼生成編譯示例/
1.4.8TVM各模組之間的關係/
1.5TVM特色與挑戰/
1.5.1TVM特色/
1.5.2支援多種後端設備/
1.5.3TVM應對的挑戰/

第2章 使用TVM開發/
2.1配置TVM環境/
2.1.1apache TVM源碼下載/
2.1.2配置TVM的開發環境/
2.1.3TVM conda環境使用方法/
2.1.4編譯實現/
2.1.5導入模型方法/
2.2在conda環境編譯優化TVM yolov3示例/
2.3Python與C++的調用關係/
2.3.1TVM中底層C++資料結構/
2.3.2進行函數註冊/
2.3.3上層Python調用/
2.4TVM自訂代碼示例/
2.4.1TVM如何添加代碼/
2.4.2TVM代碼生成實現示例/
2.5用TVM實現演算法全流程/
2.5.1配置張量與創建調度/
2.5.2進行降級運算元優化/
2.5.3構建host目的程式/
2.5.4實現後端代碼生成/

第3章 運算元融合與圖優化/
3.1運算元概述/
3.1.1TVM融合組件示例/
3.1.2優化計算圖/
3.2圖GCN融合/
3.2.1圖的概念/
3.2.2深度學習新特徵/
3.3圖融合GCN示例/
3.3.1GCN的PyTorch實現/
3.3.2融合BN與Conv層/
3.4TVM圖優化與運算元融合/
3.4.1圖與運算元優化/
3.4.2自訂運算元/
3.4.3運算元融合步驟/
3.4.4向Relay中添加operator/
3.5端到端優化/
3.5.1 AI框架概述/
3.5.2計算圖優化層/
3.5.3TVM運算元融合的4種方法/
3.5.4資料佈局轉換/
3.5.5張量運算式語言/
3.5.6調度空間分析/
3.6 TVM圖優化與運算元融合方案分析/
3.6.1圖優化框架分析/
3.6.2TVM優化基礎分析/
3.6.3TVM優化參數/
3.6.4運算元優化圖示/
3.6.5自訂圖級優化/
3.7支配樹技術/
3.7.1支配樹概述/
3.7.2運算元融合方案及示例/
3.8控制流與優化器/
3.8.1控制流/
3.8.2優化器/
3.9TVM存儲與調度/
3.9.1TVM編譯器優化/
3.9.2圖結構基本優化/
3.9.3張量計算/
3.10多功能張量加速器VTA/
3.10.1VTA-TVM 硬體-軟體堆疊/
3.10.2VTA主要功能/
3.10.3VTA示例/
3.10.4VTA計算模組/
3.10.5VTA控制/
3.10.6microTVM模型/
3.11TVM代碼庫結構與示例/
3.11.1代碼庫結構/
3.11.2張量添加示例/
3.12主機驅動的執行/
3.12.1 firmware二進位檔案/
3.12.2計算聲明/
3.12.3數據平鋪/
3.12.4卷積運算/
3.12.5空間填充/

第4章 TVM量化技術/
4.1TVM量化概述/
4.1.1TVM量化現狀/
4.1.2TVM量化原理/
4.2int8量化與TVM執行/
4.2.1兩種主要量化方案/
4.2.2int8量化原理分析/
4.2.3KL散度計算/
4.2.4實現int8量化/
4.3低精度訓練與推理/
4.4NN量化/
4.4.1神經網路量化概述/
4.4.2優化資料與網路/
4.4.3前向推理與反向傳播/
4.5熵校準示例/
4.6TVM量化流程/
4.6.1Relay的兩種並行量化/
4.6.2Relay優化Pass方法/
4.6.3量化處理硬體說明/
4.6.4閾值估計方案/
4.6.5模擬量化誤差/
4.6.6尺度計算/
4.6.7資料類型分配/
4.6.8資料類型分配日誌/
4.6.9神經網路低精度量化/
4.7TVM量化程式分析/

第5章 TVM優化調度/
5.1TVM 運行時系統/
5.1.1TVM 運行時系統框架/
5.1.2PackedFunc編譯與部署/
5.1.3構建 PackedFunc模組/
5.1.4遠端部署方法/
5.1.5TVM 物件與編譯器分析/
5.2自動微分靜態圖與動態圖/
5.2.1計算圖分類/
5.2.2動態圖實現示例/
5.3機器學習自動微分/
5.3.1微分方法/
5.3.2手動微分/
5.3.3數值微分/
5.3.4符號微分/
5.3.5自動微分/
5.3.6自動微分實現示例/
5.4疏鬆陣列分析/
5.4.1疏鬆陣列概念/
5.4.2疏鬆陣列優化/
5.4.3特定矩陣壓縮存儲/
5.4.4疏鬆陣列實現示例/
5.5TVM張量計算分析/
5.5.1生成張量運算/
5.5.2嵌套並行與協作/
5.5.3張量化計算/
5.5.4顯式記憶體延遲隱藏/

第6章 Relay IR/
6.1TVM資料介紹/
6.1.1TVM模組框架介紹/
6.1.2Relay IR原理簡介/
6.1.3構建計算圖/
6.1.4let綁定與作用域/
6.2IR代碼生成/
6.2.1前端優化/
6.2.2節點優化/
6.2.3代數優化/
6.2.4資料流程級別的優化/
6.3在Relay中註冊運算元/
6.3.1添加節點，定義編譯參數/
6.3.2運算類型關係分析/
6.3.3在C++中進行RELAY_REGISTER_OP宏註冊/
6.3.4運算元註冊與調度/
6.3.5註冊函數API分析/
6.3.6將Python API打包/
6.3.7單元測試分析/
6.4TVM中IR示例/
6.4.1IRModule技術分析/
6.4.2TVM Runtime（運行時）分析/
6.4.3預測部署實現/
6.4.4動態圖實現/

吳建明，上海交通大學模式識別與智慧系統專業博士畢業。長期從事人工智慧晶片設計，尤其擅長TVM/LLVM編譯器、AI框架、自動駕駛、晶片製造，嵌入式系統等領域的理論研究與技術創新。長期在一線工作，包括產品設計與代碼實現等，主持和參與過30多項產品的研發。還參與過國家自然科學基金、上海市科委專案，並在核心期刊公開發表過8篇論文，其中6篇是第一作者。