最近在看深度学习编译器相关的工作，其中FlexTensor给我留下了比较深刻的印象，加上这项工作是开源的，所以想看看这份工作的源码。首先是怎么把工程跑起来，FlexTensor倚仗TVM做代码生成，所以首先得安装TVM。
首先给出官方网站的安装教程TVM安装流程-从源码安装，最好的安装步骤就是从上面一步步来，正如教程所说，整个安装过程分两个大步骤：
1.从C++代码构建共享库
2.安装语言支持
首先是获取源码到本地并解压：
在写这篇文章时，tvm源码的版本是v0.8.0，下载下来解压之就可以了，我使用的是WSL2来做这些事情。(写完这篇博客后回头看，奉劝各位能用虚拟机的用虚拟机，能用正儿八经的Ubuntu的就用Ubuntu，WSL这个过程走的有点坎坷，WSL旨在Windows平台下体验Linux开发环境，写轻量级代码没问题，做这种破活确实坑很多)
如果是开发者，这里也可以从GitHub上下载源码，按下不表：
随后进入第一步，构建共享库
一、构建共享库
首先文档中给出了一些对工具链的最低要求，要完成对TVM的安装，这些基本的工具链是不可或缺的，可以直接运行文档里的命令行来完成对最低版本的工具链的安装。
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
这块插入一个小消息，如果按照这个版本来安装工具链，cmake的最低版本应该达不到llvm安装的最低配置，所以cmake应该到官网上下载一个比较新的版本。我是按照一个网上的教程来做的，其实也很简单，你可以选择下载源码到本地来编译，也可以选择下载预编译好的版本来下载，我下载的是预编译好的版本。
解压之，然后给一个软链接让cmake指向这个解压之后的文件夹中的/bin/cmake
然后查看一下当前的cmake版本，应该是已经能正确找到cmake了：
完成这一步之后就是配置config.cmake，在这里可以对TVM进行编译选项配置，这一步也可以通过在命令行里向TVM传入选项来实现，两者均可。
这里可以根据自己的需求来配置config.cmake文件，比如在后端开启CUDA、开启debug帮助、对中间表示(IR)进行debug等。 我在自己的辣鸡轻薄核显本上搭TVM， CUDA这方面有是不可能有的，这辈子不可能有的 很多选项我暂时没有动，但是这里注意TVM在后端使用LLVM为CPU做代码生成，所以config.cmake中的LLVM支持应该是要打开的，如下图：
所以这里引入的另一个问题就是安装LLVM了，和cmake一样，可以从官网上下载源码到本地编译，不过这个花费的时间很长。还可以从官网上下载预编译好的版本，我是下载的预编译版本。
因为TVM对LLVM的版本要求并不高(>=Version 4.0)，所以在官网上找一个适合自己系统的版本就可以了，我选择的是10.0.0：
下载预编译版本到本地后，可以参考这篇博客中的步骤来完成LLVM的配置。安装完成之后应该可以直接在命令行中找到LLVM，如下图：
随后按照教程上的要求完成接下来的配置，可以手动设置来帮助TVM找到LLVM的配置文件，或者在只有一个LLVM版本可用时，也可以直接使用set(USE_LLVM ON)来让TVM自动寻找可用版本的LLVM。还有对于pytorch用户，可以选择像第三个箭号说明的那样完成设置，这部分也是直接在config-cmake中直接添加或者简单的修改即可，因为我习惯用pytorch，所以在最后加入了:
set(USE_LLVM "PATH/TO/LLVM-CONFIG --link-static")
set(HIDE_PRIVATE_SYMBOLS_ON)
这两行，注意PATH/TO/LLVM-CONFIG用改替换成自己的路径。
然后就可以去编译TVM源码和相关支持库了：
也就是在build目录下分别执行这两个命令：
cmake ..
make -j4 # 启用四个线程编译，如果
这将会花费一段时间，请安静等待，完成之后应该如下所示：
然后这里提到，其实tvm文件夹中已经有一个写好的makefile文件可以帮助我们完成上述的所有动作。还说明了可以将build文件夹的位置建立在其他地方，但是这样需要在环境变量中使用TVM_BUILD_PATH指明一下build文件夹的位置，如果不指明的话就默认在tvm文件夹下，等等。
二、安装语言支持
注意，这里需要python的版本大于3.8，起码我这边是这样的，可能是因为我用的是WSL2，所以在最上面的工具链最低要求安装是满足不了的，安装的python是3.6的版本，故在此出错。如果你没有遇到这个坎，说明你可能用的是虚拟机或者真正的Ubuntu系统，这里可以略过。
嗯，还有就是要提前安装numpy…，否则也会直接寄：
sudo apt install python3-numpy
sudo apt install python3-scipy # 唉，顺手把这个也装了吧
# 如果你不确定软件包的名字可以执行下面的命令行，看看有哪些numpy的软件包可用
apt-cache search numpy
然后看官方文档，这里提到有两种方法安装python语言支持，我们选择第二种：
也就是进入TVM目录下的python文件夹，执行以下命令行：
python setup.py install --user
# python3.8 setup.py install ---user
等待它执行完成，这时候应该会如下图所示：
接下来就是安装具体的依赖库，依照官方教程所言有些是可选的：
其中必要的依赖就是第一条，也就是在命令行中执行以下命令：
pip3 install --user numpy decorator attrs
我当时出了一点小错误：
如果你也遇到了同样的问题(没有就算了)，说明还需要安装一些库：
sudo apt install python3.8-dev # 不一定叫python3.8-dev，你得找最适合自己的
然后再执行安装依赖库的命令行，这下应该可以了：
RPC Tracker和auto-tuning可以按照自己的喜好来添加，我安装了一个auto-tuning，因为这是AutoTVM的精华所在。也就是执行以下命令行即可：
pip3 install --user tornado psutil xgboost cloudpickle
在这里我也多少踩了一些小坑，执行官方文档中的命令行时出现了以下报错：
那就去安装pybind11去呗：
安装完之后发现，又有新的报错：
接着安呗，这些都是安装scipy需要的一些库，从这里找到的解决方案：
sudo apt install gfortran libopenblas-dev liblapack-dev
然后呢，就是另外一个错误：
然后接着安装pythran：
pip3 install --user pythran
然后就是开始安装scipy，这里应该也有些依赖要准备一下，可以参考一下这篇文章的做法，我们从源码去安装一下scipy可能会好一点，在这里我选择的是scipy v1.4.0的这个版本，我下载的是这个：
下载到本地之后安装一下，应该是可以行得通的：
说了一大堆，这其实都是在执行完：
pip3 install --user tornado psutil xgboost cloudpickle
这个命令行之后的一些小错误和其解决方案，现在可以再试着执行一下上面的命令行，看看还有没有什么问题，我这儿是没问题了：
到这应该该做的都做了，看看tvm能不能用吧：
BTW，这里貌似对cmake的版本有点要求，cmake version > 3.10，WSL上从apt里安装的cmake貌似不太行，不过正如前面所述，我使用的是3.17的预编译版本，这里应该没啥问题，xgboost是Tianqi Chen et al做的一篇漂亮的工作，可以去读一下他们的这篇paper。
最后还有一些在MacBook M1上的额外tips，在此按下不表，有需求的自己可以去摸索一下。
大概就是这些东西，最后就是TVM还有docker提供，也可以用那个，当然也欢迎踩上面的坑。写在最后是不是很气人？：)
Have fun with TVM！