TVM
FGPA,CPU, GPU
1.什么是TVM？
是一个支持GPU，CPU，FPGA指令生成的开源编译器框架
2.特点
基于图和算符结构来优化指令生成，最大化硬件执行效率。其中使用了很多方法
来改善硬件执行速度，包括算符融合、数据规划、基于机器学习的优化器等。它
向上对接Tensorflow、Pytorch等深度学习框架，向下兼容GPU、CPU、ARM、
TPU等硬件设备。
3.整体架构
TVM是一个端到端的指令生成器。
整个架构是基于图描述结构，不论是对指令的优化还是指令生成，一个图结构
清晰的描述了数据流方向，操作之间的依赖关系等。
4.主要特点
1、基于GPU、TPU等硬件架构，将张量运算作为一个基本的算符，通过把一个深
度学习网络描述成图结构来抽象出数据计算流程。在这样的图结构基础上，更方便
记忆优化。同时能够有更好的向上向下兼容性，同时支持多种深度学习框架和硬件
架构。
2、巨大的优化搜索空间。在优化图结构方面，其不再局限于通过某一种方式，而是
通过机器学习方法来搜索可能的空间来最大化部署效率。这种方式虽然会导致编译器
较大的计算量，但是更加通用。
TVM提供了一个非常简单的端到端用户接口，通过调用TVM的API可以很方便的进行
硬件部署。比如：
import tvm as t# 将keras模型输入到TVM，指定部署的硬件GPU，然后进行优化和代码生成。
graph, params = t.fronted.from_keras(keras_model)
target = t.target.cuda()
graph, lib, params = t.compiler.build(graph, target, params)
TVM也提供了Java、C++和python界面供用户统一调用。
5.图结构基本优化
TVM图优化策略：
算符融合：将可以在硬件上用一个算符完成的多个连续运算合并；
常量折叠：将可以预先计算的数据放在编译器中完成，减少硬件计算；
存储规划：预先为中间数据分配存储空间来存储中间值，避免中间数据无法存储在片上而增加片外
存储开销；
数据规划：重新排列数据有利于硬件计算。
6.张量计算
TVM采用Halide思想，通过使用schedule来对张量计算进行等价变换，从中计算出执行效率最高的
schedule结构。整个schedule流程如下：
还增加了三种针对GPU和TPU的schedule方式：spicile memory scope，
tensorrization， latency hiding。
并行化计算：
需要考虑两点问题：并行度、数据共享。
TVM提出了memory scope的概念，其将数据计算进行可并行和不可并行分类，对于可以并行计算的，
就可以使用多线程来并行计算，而不可并行，则需要等待被依赖数据计算完成。
存储读写优化
7.自动优化器
一个机器学习模型来寻找最优化的schedule结构。其包含两部分：一部分是基于schedule方式产生
所有可能的计算结构；另外一个是机器学习代驾模型来预测可能性。
8.编译流程
