人工智能（Artificial Intelligence，AI）已经在全世界信息产业中获得广泛应用。深度学习模型推动了AI技术革命，如 TensorFlow、PyTorch、MXNet、Caffe等。大多数现有的系统框架只针对小范围的服务器级 GPU进行过优化，因此需要做很多的优化努力，以便在汽车、手机端、物联网设备及专用加速器（FPGA、ASIC）等其他平台上部署。随着深度学习模型和硬件后端数量的增加，TVM构建了一种基于中间表示 (IR)的统一解决方案。TVM不仅能自动优化深度学习模型，还提供了跨平台的高效开源部署框架。
有了TVM的帮助，只需要很少的定制工作，就可以轻松地在手机、嵌入式设备甚至浏览器上运行深度学习模型。TVM 还为多种硬件平台上的深度学习计算提供了统一的优化框架，包括一些有自主研发计算原语的专用加速器。TVM是一个深度学习编译器，所有人都能随时随地使用开源框架学习研发。围绕TVM形成了多元化社区，社区成员包括硬件供应商、编译器工程师和机器学习研究人员等，共同构建了一个统一的可编程软件堆栈，丰富了整个机器学习技术生态系统。
TVM是一个新型的AI编译器，广泛应用于各种产品研发中，在企业与学术研究中有很大的影响。但是，目前市面上有关TVM的书还很少，本书试图弥补这个空缺。全书的特点总结如下：
第一，从TVM的概念入手，分析了TVM的基本原理和关键支撑技术。
第二，从TVM的环境搭建到案例实践逐步展开，分析如何使用TVM进行实战开发。
第三，介绍了TVM的重要关键技术，如算子与图融合、量化技术、Relay IR（中间表示）、优化调度、编译部署等，分析了这些模块的理论与案例实践。
第四，TVM对后端相关的技术进行了分析与实践，包括代码生成、自动调度、自动搜索与成本模型等。
本书的写作过程中，得到了家人的全力支持，在此，对他们表示深深的感谢。也感谢机械工业出版社的编辑们，因为有他们的辛勤劳作和付出，本书才得以顺利出版。由于编者技术能力有限，书中难免存在纰漏，还望广大读者不吝赐教。

编者

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/