TVM是陈天奇领导的一个DL加速框架项目。它处于DL框架（如tensorflow、pytorch）和硬件后端（如CUDA、OpenCL）之间，兼顾了前者的易用性和后者的执行效率。
官网：
https://tvm.apache.org/
代码：
https://github.com/apache/tvm
论文：
《TVM: End-to-End Optimization Stack for Deep Learning》
和同类项目的差异：
TFLite和ONNXRuntime只能接收特定格式的模型。而TVM这些都能接收。
NCNN、MACE之类的项目，一般只考虑了ARM CPU的优化，对于异构计算做的比较少。
TVM强化了图优化的部分，使之更类似于编译器的架构。
官网：
https://tvm.apache.org/docs/arch/index.html
TVM暂时不支持pip安装，pip install tvm安装的是另一个同名软件。。。
TVM采用C/S模式进行部署，其中在target机器上的部分，被称为TVM Runtime。
TVM Runtime的代码通常比较薄，只需要把host发过来的优化结果执行即可。
官方文档：
http://tvm.apache.org/docs/dev/runtime.html
TVM Runtime也是BYOC的重要组成部分。
BYOC：Bring Your Own Codegen
https://tvm.apache.org/2020/07/15/how-to-bring-your-own-codegen-to-tvm
How to Bring Your Own Codegen to TVM
这是中文翻译版：
https://zhuanlan.zhihu.com/p/337033822
如何在TVM上集成Codegen（上）
https://zhuanlan.zhihu.com/p/337037547
如何在TVM上集成Codegen（下）
示例：
https://github.com/antkillerfarm/antkillerfarm_crazy/blob/master/python/ml/tvm/pytorch2tvm.py
该示例包含以下内容：
1.如何导入pytorch和tflite的模型。
2.local执行和remote执行。
3.使用print(mod.astext(show_meta_data=False))可以打印相关IR的内容。meta data有的时候包含了权重，打印出来意义不大，反而导致其他有意义的部分，淹没在大量的log中，没法看了。
参考：
https://zhuanlan.zhihu.com/p/369981405
部署TVM Runtime
https://zhuanlan.zhihu.com/p/352988283
TVM学习记录——pytorch
NNVM是一个类似于ONNX、NNEF的中间表示。
官网：
https://github.com/dmlc/nnvm
参考：
https://mp.weixin.qq.com/s/qkvX0rmEe0yQ-BhCmWAXSQ
李沐：AWS开源端到端AI框架编译器NNVM
Relay是TVM中用来替代NNVM的模块，其本身被认为是NNVM第二代。
官网：
https://tvm.apache.org/docs/arch/relay_intro.html
NNVM本质上只能描述传统的计算图，这属于Data Flow的范畴。但是现在的DL框架越来越灵活，不仅能对数据进行计算，还能对数据进行一定的控制处理，也就是所谓的Control Flow（if-else/ADT matching/递归调用）。
论文：
《The Deep Learning Compiler: A Comprehensive Survey》
参考：
https://zhuanlan.zhihu.com/p/91283238
TVM图编译器Relay简单探究
https://zhuanlan.zhihu.com/p/390087648
Relay IR与Relay Pass
https://mp.weixin.qq.com/s/Kt4xDLo-NRui8Whl0DqcSA
Data Flow和Control Flow
https://tvm.apache.org/docs/how_to/extend_tvm/use_pass_infra.html
和LLVM类似，TVM的Pass也可分为两类：
ModulePass：将整个程序视作一个单元处理的pass。
FunctionPass：以单个函数为作用域的pass, 每个函数间是相互独立的。
FunctionPass包括了Relay层的tvm.relay.transform.FunctionPass和TIR层的tvm.tir.transform.PrimFuncPass。
部分pass：
FoldConstant: src/relay/transforms/fold_constant.cc
AlterOpLayout: src/relay/transforms/alter_op_layout.cc
Legalize: src/relay/transforms/legalize.cc
MergeComposite: src/relay/transforms/merge_composite.cc
参考：
https://zhuanlan.zhihu.com/p/378739411
万字长文入门TVM Pass
https://www.cnblogs.com/wujianming-110117/p/14580172.html
TVM Pass IR如何使用
https://zhuanlan.zhihu.com/p/112813859
Relay Pass in TVM
https://zhuanlan.zhihu.com/p/358437531
pass总结
https://tvm.apache.org/docs/how_to/work_with_schedules/schedule_primitives.html
TVM默认的input layout: NCHW，kernel layout: OIHW。
python层面：
python/tvm/relay/op/contrib/ethosn.py
@register_pattern_table("ethos-n")
def pattern_table():
@tvm.ir.register_op_attr("nn.max_pool2d", "target.ethos-n")
def max_pool2d(attrs, args):
relay层面：
src/relay/backend/contrib/ethosn
TVM_REGISTER_GLOBAL("relay.ext.ethos-n").set_body_typed(CompileEthosn);
runtime层面：
src/runtime/contrib/ethosn
test：
tests/python/contrib/test_ethosn
TVM建立了一套类型系统：
class BaseExprNode : public Object;
class BaseExpr : public ObjectRef;
根据基类，查看实际类型：
XX->checked_type()
microTVM可用于那些没有OS的单片机。
官网：
https://tvm.apache.org/docs/arch/microtvm_design.html
从上面的图来看，microTVM只要在单片机的main函数中启动即可，同时参数也可以放到FLASH上。
PS：这种能直接寻址的FLASH，多半是NOR FLASH。
参考：
https://zhuanlan.zhihu.com/p/337085225
TinyML-TVM是如何驯服Tiny的（上）
https://zhuanlan.zhihu.com/p/337087273
TinyML-TVM是如何驯服Tiny的（下）
https://zhuanlan.zhihu.com/p/139552817
一篇关于深度学习编译器架构的综述论文
https://www.zhihu.com/question/396105855
针对神经网络的编译器和传统编译器的区别和联系是什么？
https://mp.weixin.qq.com/s/8bXwxYyNjdThlGQQ70cgWQ
TVM：端到端自动深度学习编译器，244页ppt
https://zhuanlan.zhihu.com/p/333706468
TVM学习系列blog
https://zhuanlan.zhihu.com/p/163717035
AI编译优化
https://www.zhihu.com/question/267167829
如何看待Tensor Comprehensions？与TVM有何异同？（这个问题下的答案不多，但基本都是陈天奇、贾扬清之类的大佬）
https://mp.weixin.qq.com/s/irvBbPKENiZX9G_6wh5c-Q
陈天奇等人提出TVM：深度学习自动优化代码生成器
https://mp.weixin.qq.com/s/28n8g_epHsYB0I9GVc_lww
陈天奇团队TVM重磅更新：直接在浏览器使用GPU
https://mp.weixin.qq.com/s/7JGLm-hkCZBNDLA98qvWNA
自动生成硬件优化内核：陈天奇等人发布深度学习编译器TVM
https://mp.weixin.qq.com/s/YVIvdMznb3oatIXqD5a5_A
陈天奇等人提出AutoTVM：让AI来编译优化AI系统底层算子
https://mp.weixin.qq.com/s/HquT_mKm7x_rbDGz4Voqpw
阿里巴巴最新实践：TVM+TensorFlow提高神经机器翻译性能
https://zhuanlan.zhihu.com/p/50529704
手把手带你遨游TVM
https://mp.weixin.qq.com/s/z5rsU_uAAaRxgD9YAxDkZA
陈天奇：深度学习编译技术的现状和未来
https://zhuanlan.zhihu.com/p/75203171
如何利用TVM快速实现超越Numpy(MKL)的GEMM
https://zhuanlan.zhihu.com/p/58918363
TVM: Deep Learning模型的优化编译器
https://zhuanlan.zhihu.com/p/87664838
也谈TVM和深度学习编译器
https://mp.weixin.qq.com/s/VE3CySjjS2rTpUDPnKcLTg
陈天奇最新研究：递归模型编译器CORTEX
https://zhuanlan.zhihu.com/p/358585143
深度学习编译器及TVM介绍
https://zhuanlan.zhihu.com/p/360385060
TVM中的scheduler
https://zhuanlan.zhihu.com/p/388452164
tvm or mlir？