vm主要的編譯過程如下圖：
import：將tensorflow，onnx，pytorch等構建的深度學習模型匯入，轉化成tvm的中間層表示ir。
lower：將高層ir表示轉化成低階tir表示。
codegen：記憶體分配和硬體可執行程式生成。
圖匯入
主要**如下：
模型的輸入是乙個字尾為pb的檔案，它是神經網路模型圖的protobuf格式儲存檔案。pb是二進位制形式，pbtxt是文字形式。import_graph_def函式是匯入pb，graph是tensorflow的圖結構。
from_tensorflow是將tensorflow的圖結構轉化成tvm的ir。這個函式在檔案relay/frontend/tensorflow.py中。函式的呼叫關係為：
from_tensorflow -> graphproto.from_tensorflow -> self._get_relay_func。
在get_relay_func中會遍歷每個tensorflow的節點，轉換成tvm的ir表示。重點關注_backtrack_construct函式。
繼續深入和運算元轉化有關的函式呼叫為：_convert_operator -> convert_map。convert_map中對應了可支援tensorflow運算元到tvm運算元的轉換關係。
完成了tensorflow到tvm運算元轉化後，我們就得到了乙個irmodule。我們可以利用tvm的視覺化來列印出轉化後的圖：
main是主函式入口，在tvm中以函式形式反應了tensorflow的圖結構。函式的呼叫關係反應了圖的依賴關係。
編譯
python中主要**位於relay/build_module.py檔案中，呼叫關係為build -> buildmodule -> build。在build中通過字典獲得了c++中的相應函式。
這裡不明白如何通過self.mod[「build」]得到c++中函式的。_buildmodule()是c++中註冊到環境中的乙個函式。在src/relay/backend/http://build_module.cc中，
tvm_register_global是將c++函式註冊到乙個全域性map中。當python載入編譯好的動態庫時，會自動查詢map中靜態註冊的函式，並新增到python模組當中。
真正build操作位於relaybuildmodule類中，在其中有乙個getfunction函式，會通過名字查詢要使用的函式，打包成packedfunc返回，這個函式可能和self.mod[「build」]有關。packedfunc是tvm中提供的python的乙個介面，任何函式都可以封裝成packedfunc，並給python呼叫。更詳細介紹可看：
繼續深入**，build -> buildrelay。這是編譯的主要**。其過程包括optimize，codgen。
optimize就是執行一些優化passes，這些passes包括常數摺疊，算符融合等。之後會呼叫graph_codegen->codegen。codegen中實現了記憶體分配和硬體**生成。
TVM優化原理學習
tvm對於神經網路的優化主要有兩部分，計算圖優化和運算元優化，下面分開說明。計算圖優化 例如運算元融合，常量傳播等。這一步是在ir層面完成，現在tvm是使用relay ir來描述計算圖。優化的過程蘊含在relay.build中，參考 op運算元優化 對於乙個給定的計算問題，該如何對映到後端硬體上呢？...
Linux核心學習編譯流程
一 前言 linux核心學習 1 安裝vmware虛擬機器或者virtualbox，再安裝發行版本linux 2 www.kernel.org,挑選乙個核心版本 3 進行解壓並編譯 4 自己寫一些模組 比如說可以去嘗試解一些官網的bug 如下圖所示 下面我們就可以看到還有很多核心bug未解決的問題還...
Python學習三（程式流程）
二 分支結構 三 迴圈結構 四 流程控制 所有的物件都有乙個布林值，驗證函式 bool false,0,空字元 空列表 list 空元組 tuple 空字典 dict 空集合set 空物件的布林值均為零 money 10000 get int input 請輸入取款金額 if money get m...