共计 1755 个字符，预计需要花费 5 分钟才能阅读完成。
更多 TVM 中文文档可拜访 →Apache TVM 是一个端到端的深度学习编译框架，实用于 CPU、GPU 和各种机器学习减速芯片。| Apache TVM 中文站
应用 C++ API 部署 TVM 模块
apps/howto_deploy 中给出了部署 TVM 模块的示例，执行上面的命令运行该示例：
cd apps/howto_deploy
./run_example.sh获取 TVM Runtime 库
惟一要做的是链接到 target 平台中的 TVM runtime。TVM 给出了一个最小 runtime，它的开销大概在 300K 到 600K 之间，具体值取决于应用模块的数量。大多数状况下，可用 libtvm_runtime.so 文件去构建。
若构建 libtvm_runtime 有艰难，可查看 tvm_runtime_pack.cc（集成了 TVM runtime 的所有示例）。用构建零碎来编译这个文件，而后将它蕴含到我的项目中。
查看 apps 获取在 iOS、Android 和其余平台上，用 TVM 构建的利用示例。
动静库 vs. 零碎模块
TVM 有两种应用编译库的办法，查看 prepare_test_libs.py 理解如何生成库，查看 cpp_deploy.cc 理解如何应用它们。
- 把库存储为共享库，并动静加载到我的项目中。
- 将编译好的库以零碎模块模式绑定到我的项目中。
动静加载更加灵便，能疾速加载新模块。零碎模块是一种更 static 的办法，可用在动静库加载不可用的中央。
部署到 Android
为 Android Target 构建模型
针对 Android target 的 Relay 模型编译遵循和 android_rpc 雷同的办法，以下代码会保留 Android target 所需的编译输入：
lib.export_library("deploy_lib.so", ndk.create_shared)
with open("deploy_graph.json", "w") as fo:
fo.write(graph.json())
with open("deploy_param.params", "wb") as fo:
fo.write(runtime.save_param_dict(params))deploy_lib.so、deploy_graph.json、deploy_param.params 将转到 Android target。
实用于 Android Target 的 TVM Runtime
参考 此处 为 Android target 构建 CPU/OpenCL 版本的 TVM runtime。参考这个 Java 示例来理解 Android Java TVM API，以及如何加载和执行模型。
将 TVM 集成到我的项目中
TVM runtime 具备轻量级和可移植性的特点，有几种办法可将 TVM 集成到我的项目中。
下文介绍如何将 TVM 作为 JIT 编译器集成到我的项目中，从而用它在零碎上生成函数的办法
DLPack 反对
TVM 的生成函数遵循 PackedFunc 约定，它是一个能够承受地位参数（包含规范类型，如浮点、整数、字符串）的函数。PackedFunc 采纳 DLPack 约定中的 DLTensor 指针。惟一要做的是创立一个对应的 DLTensor 对象。
集成用户自定义的 C++ 数组
在 C++ 中惟一要做的就是将你的数组转换为 DLTensor，并将其地址作为 DLTensor* 传递给生成的函数。
集成用户自定义的 Python 数组
针对 Python 对象 MyArray，须要做：
- 将 _tvm_tcode 字段增加到返回 tvm.TypeCode.ARRAY_HANDLE 的数组中
- 在对象中反对
_tvm_handle 属性（以 Python 整数模式返回 DLTensor 的地址） - 用 tvm.register_extension 注册这个类
# 示例代码
import tvm
class MyArray(object):
_tvm_tcode = tvm.TypeCode.ARRAY_HANDLE
@property
def _tvm_handle(self):
dltensor_addr = self.get_dltensor_addr()
return dltensor_addr
# 将注册的步骤放在独自的文件 mypkg.tvm.py 中
# 依据须要选择性地导入依赖
tvm.register_extension(MyArray)