TVM编译器原理与实践 吴建明 吴一昊

图书标准信息

• 作者 吴建明 吴一昊
• 出版社 机械工业出版社
• 出版时间 2023-12
• 版次 1
• ISBN 9787111739128
• 定价 119.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 320页
• 字数 497千字

【内容简介】

TVM（Tensor Virtual Machine, 张量虚拟机）是一种开源的模型编译框架，旨在将机器学习模型自动编译成可供下层硬件执行的机器语言，从而利用多种类型的算力。其工作原理是，先将深度学习模型进行优化推理、内存管理与线程调度，再借用LLVM框架将模型部署在CPU、GPU、FPGA、ARM等硬件设备上。
  本书全面解析TVM的主要功能，帮助读者理解TVM工作原理，以及使用 TVM对深度学习与机器学习进行优化与部署。
   本书结合作者多年的工作与学习经验，力求将TVM基础理论与案例实践融合在一起进行详细讲解。全书共9章，包括TVM基本知识，使用TVM开发，算子融合与图优化，TVM量化技术，TVM 优化调度，Relay IR，代码生成，后端部署与OpenCL（Open Computing Language，开放运算语言），自动调度、自动搜索与成本模型。各章除了包含重要的知识点和实践技能外，还配备了精心挑选的典型案例。
  本书适合从事AI算法、软件、编译器开发以及硬件开发等专业的工程技术人员、科研工作人员、技术管理人员阅读，也可以作为编译器相关专业高校师生的参考用书。

【作者简介】

吴建明，上海交通大学模式识别与智能系统专业博士毕业。长期从事人工智能芯片设计，尤其擅长TVM/LLVM编译器、AI框架、自动驾驶、芯片制造，嵌入式系统等领域的理论研究与技术创新。长期在一线工作，包括产品设计与代码实现等，主持和参与过30多项产品的研发。还参与过国家自然科学基金、上海市科委项目，并在核心期刊公开发表过8篇论文，其中6篇是第一作者。

【目录】

第1章 TVM基本知识/

 1.1TVM基本原理/

  1.1.1TVM概述/

  1.1.2TVM 模型优化部署概述/

 1.2TVM编译过程/

  1.2.1编译流程/

  1.2.2TVM编译数据结构/

  1.2.3TVM编译数据处理/

  1.2.4TVM的Pass过程/

 1.3TVM开源工程逻辑架构/

  1.3.1代码库代码结构/

  1.3.2代码自动内核/

 1.4TVM应用支持/

  1.4.1TVM的工作流程/

  1.4.2支持多语言与多平台/

  1.4.3TVM应用场景/

  1.4.4TVM优化模型推理/

  1.4.5TVM编译器与运行时组件/

  1.4.6TVM运行时主要模块/

  1.4.7TVM简单代码生成编译示例/

  1.4.8TVM各模块之间的关系/

 1.5TVM特色与挑战/

  1.5.1TVM特色/

  1.5.2支持多种后端设备/

  1.5.3TVM应对的挑战/

第2章 使用TVM开发/

 2.1配置TVM环境/

  2.1.1apache TVM源码下载/

  2.1.2配置TVM的开发环境/

  2.1.3TVM conda环境使用方法/

  2.1.4编译实现/

  2.1.5导入模型方法/

 2.2在conda环境编译优化TVM yolov3示例/

 2.3Python与C++的调用关系/

  2.3.1TVM中底层C++数据结构/

  2.3.2进行函数注册/

  2.3.3上层Python调用/

 2.4TVM自定义代码示例/

  2.4.1TVM如何添加代码/

  2.4.2TVM代码生成实现示例/

 2.5用TVM实现算法全流程/

  2.5.1配置张量与创建调度/

  2.5.2进行降级算子优化/

  2.5.3构建host目标程序/

  2.5.4实现后端代码生成/

第3章 算子融合与图优化/

 3.1算子概述/

  3.1.1TVM融合组件示例/

  3.1.2优化计算图/

 3.2图GCN融合/

  3.2.1图的概念/

  3.2.2深度学习新特征/

 3.3图融合GCN示例/

  3.3.1GCN的PyTorch实现/

  3.3.2融合BN与Conv层/

 3.4TVM图优化与算子融合/

  3.4.1图与算子优化/

  3.4.2自定义算子/

  3.4.3算子融合步骤/

  3.4.4向Relay中添加operator/

 3.5端到端优化/

  3.5.1 AI框架概述/

  3.5.2计算图优化层/

  3.5.3TVM算子融合的4种方法/

  3.5.4数据布局转换/

  3.5.5张量表达式语言/

  3.5.6调度空间分析/

 3.6 TVM图优化与算子融合方案分析/

  3.6.1图优化框架分析/

  3.6.2TVM优化基础分析/

  3.6.3TVM优化参数/

  3.6.4算子优化图示/

  3.6.5自定义图级优化/

 3.7支配树技术/

  3.7.1支配树概述/

  3.7.2算子融合方案及示例/

 3.8控制流与优化器/

  3.8.1控制流/

  3.8.2优化器/

 3.9TVM存储与调度/

  3.9.1TVM编译器优化/

  3.9.2图结构基本优化/

  3.9.3张量计算/

 3.10多功能张量加速器VTA/

  3.10.1VTA-TVM 硬件-软件堆栈/

  3.10.2VTA主要功能/

  3.10.3VTA示例/

  3.10.4VTA计算模块/

  3.10.5VTA控制/

  3.10.6microTVM模型/

 3.11TVM代码库结构与示例/

  3.11.1代码库结构/

  3.11.2张量添加示例/

 3.12主机驱动的执行/

  3.12.1 firmware二进制文件/

  3.12.2计算声明/

  3.12.3数据平铺/

  3.12.4卷积运算/

  3.12.5空间填充/

第4章 TVM量化技术/

 4.1TVM量化概述/

  4.1.1TVM量化现状/

  4.1.2TVM量化原理/

 4.2int8量化与TVM执行/

  4.2.1两种主要量化方案/

  4.2.2int8量化原理分析/

  4.2.3KL散度计算/

  4.2.4实现int8量化/

 4.3低精度训练与推理/

 4.4NN量化/

  4.4.1神经网络量化概述/

  4.4.2优化数据与网络/

  4.4.3前向推理与反向传播/

 4.5熵校准示例/

 4.6TVM量化流程/

  4.6.1Relay的两种并行量化/

  4.6.2Relay优化Pass方法/

  4.6.3量化处理硬件说明/

  4.6.4阈值估计方案/

  4.6.5模拟量化误差/

  4.6.6尺度计算/

  4.6.7数据类型分配/

  4.6.8数据类型分配日志/

  4.6.9神经网络低精度量化/

 4.7TVM量化程序分析/

第5章 TVM优化调度/

 5.1TVM 运行时系统/

  5.1.1TVM 运行时系统框架/

  5.1.2PackedFunc编译与部署/

  5.1.3构建 PackedFunc模块/

  5.1.4远程部署方法/

  5.1.5TVM 对象与编译器分析/

 5.2自动微分静态图与动态图/

  5.2.1计算图分类/

  5.2.2动态图实现示例/

 5.3机器学习自动微分/

  5.3.1微分方法/

  5.3.2手动微分/

  5.3.3数值微分/

  5.3.4符号微分/

  5.3.5自动微分/

  5.3.6自动微分实现示例/

 5.4稀疏矩阵分析/

  5.4.1稀疏矩阵概念/

  5.4.2稀疏矩阵优化/

  5.4.3特定矩阵压缩存储/

  5.4.4稀疏矩阵实现示例/

 5.5TVM张量计算分析/

  5.5.1生成张量运算/

  5.5.2嵌套并行与协作/

  5.5.3张量化计算/

  5.5.4显式内存延迟隐藏/

第6章 Relay IR/

 6.1TVM数据介绍/

  6.1.1TVM模块框架介绍/

  6.1.2Relay IR原理简介/

  6.1.3构建计算图/

  6.1.4let绑定与作用域/

 6.2IR代码生成/

  6.2.1前端优化/

  6.2.2节点优化/

  6.2.3代数优化/

  6.2.4数据流级别的优化/

 6.3在Relay中注册算子/

  6.3.1添加节点，定义编译参数/

  6.3.2运算类型关系分析/

  6.3.3在C++中进行RELAY_REGISTER_OP宏注册/

  6.3.4算子注册与调度/

  6.3.5注册函数API分析/

  6.3.6将Python API打包/

  6.3.7单元测试分析/

 6.4TVM中IR示例/

  6.4.1IRModule技术分析/

  6.4.2TVM Runtime（运行时）分析/

  6.4.3预测部署实现/

  6.4.4动态图实现/