跳转至主要内容
Ctrl+K
👋欢迎进入 AI 世界！👋
tvm-book 0.2.0 文档 - Home tvm-book 0.2.0 文档 - Home
  • GitHub
  • 知乎
  • 简书
  • B站
  • 博客园
  • 领英
  • 教程
    • TVM 入门
      • TVM 环境配置
      • TVM 样例
      • IRModule
      • 端到端模型优化样例
      • 自定义优化
      • 优化大语言模型
      • 交叉编译与RPC
    • TensorIR
      • TensorIR 构建
      • 元张量函数变换
    • Relax
      • Relax Creation
      • Transformation
    • 安卓开发
      • TVM 安卓开发简介
      • Android TVM RPC
      • 为 Android 目标构建模型
      • 安卓资讯
    • MSC
      • MSC 简介
      • 计算图
      • MSC pipeline
        • MSC 编译流程
        • MSCRunner
        • RuntimeManager
      • MSC 工具
        • MSCTools 设计特点
        • MSC 工具测试
      • MSC Plugin
      • 翻译 Relay 代码
      • 翻译 relax 代码
      • 翻译 PyTorch 代码
      • 翻译 tensorflow 代码
      • 翻译 tensorrt 代码
      • 前端模型转换
      • MSC 基础 pass
    • 基于搜索的自动量化
      • 基于搜索的自动量化概述
      • 定点乘法
      • 解构 TVM 量化
      • 自定义 TVM 自动量化
      • 测试自定义的 TVM 量化
  • 临时教程
    • TVM 快速上手
      • PackedFunc
      • 解读 tvm.tir.trace()
      • 自定义 relay 算子(python)
      • 重写 relay 量化算子(python)
      • 自定义 VTA 算子(python)
    • Tedd 可视化
      • 测试 Tedd
      • 使用 TEDD 进行可视化
      • 可视化 Relay 模块
    • 前端模型(temp)
      • MXNET 前端模型
      • PyTorch 前端
        • 原语库
        • PyTorch Relay 推理
        • PyTorch 量化
      • Caffe 前端
        • Caffe 简介
      • PyTorch Relax 前端
    • TVM Pass
      • 动态转静态
      • DivToMul
    • Roofline Model
      • 测试 Roofline 模型
      • PAPI
        • PAPI 简介
    • 部署入门
      • 部署 TVM 模块
      • 获取目标源码
      • Python 端部署
      • C++ 部署
    • 模式
      • 数据流模式
        • 节点模式
        • 模板匹配
        • 模式分割
        • 重写模式
        • 融合模式
        • 模式化简
      • 布局
        • 布局变换
    • 计算图分割
      • 多节点编译
      • 编译外部库
      • 函数 lifting
      • 计算图分割(old)
    • VTA 教程
      • VTA Demo
      • VTA 测试 Demo
    • AI 系统
      • Caffe 模型
      • PyTorch 模型
    • TVM 测试
      • ONNX 前端测试
      • RGB 转 YUV
  • 前端模型
    • TensorFlow 前端
      • Graph
      • Tensorflow1 前端
      • Tensorflow(pb) 转 ONNX
      • Tensorflow 前端之 TF-slim
        • TensorFlow1 推理
        • 升级 TF1 为 TF2
        • TensorFlow1 pb 推理
        • TensorFlow2 推理
        • TensorFlow2 Keras 推理
    • ONNX
      • ONNX 概述
      • ONNX 序列化
      • ONNX 格式转换
      • Relay 转 ONNX
    • ONNX Script
      • ONNX Script 简介
      • ONNX Script 教程
      • ONNX Script GELU
      • ONNX Script chunk
      • 扩展 ONNX 注册表
      • ONNX Script 生成 FunctionProto
      • 生成 ModelProto
      • 生成 LibProto
      • ONNX Script 急切模式评估
      • ONNX ModelProto 属性
      • ONNX Script 模型本地函数
      • ONNX Script 模式匹配
        • 基于模式的使用规则进行重写
        • ONNX Script 模式重写进阶
      • ONNX Script 模型优化
        • ONNX Script optimizer
      • ONNX IR
        • 开始使用 ONNX IR
        • 在 ONNX IR 中的张量表示
      • ONNX 工具
        • ONNX 模型文件转换为 Python脚本
        • 优化 ONNX 模型的实用工具
    • PyTorch 翻译为 ONNX
      • ONNX 模型精简
        • ONNX GatherND
        • onnx L2 范数
        • torch2onnx：Scatter
        • ScatterElements
        • onnx ScatterND
        • torch2onnx SequenceConstruct
        • torch转ONNX：Unsqueeze
        • torch转ONNX：Upsample
        • BN+conv
        • onnx conv+reshape
        • torch.Tensor.expand() 转换
        • onnx flatten
        • ONNX HardSwish
        • torch 索引转换
        • torch.Tensor.repeat() 转换
        • Resize
        • torch 切片转换
        • torch转ONNX：split
    • tf2onnx
      • tf2onnx 概述
    • Caffe
      • Caffe 算子测试
      • caffe 网络
  • TVM 解读
    • 项目配置
    • Relax
      • Relax RemoveRedundantReshape: 消除冗余的 reshape
    • Relay 前端
      • common
        • AttrCvt
        • Span 设置
        • PyTorch 前端常见问题
      • ONNX 前端接口
        • OnnxOpConverter
        • BatchNorm
        • 解析 ONNX GraphProto
        • from_onnx()
      • PyTorch 前端接口
        • PyTorch Span
        • PyTorch pass
        • Torch unsqueeze & unsqueeze_
    • tvm.arith 解读
      • tvm.arith.analyzer 解读
        • 解读 StructuralEqual
        • 解读 ExprDeepEqual
        • canonical_simplify()
        • tvm.arith.analyzer.ConstIntBound
        • simplify()
        • rewrite_simplify()
    • 解读 tvm.target
      • 解读 GenericFunc
      • generic_func()
      • 解读 override_native_generic_func()
    • 解读 tvm.ir
      • 解读 EnvFunc
      • 源代码映射
        • SourceName 解读
        • 解读 Span
        • 解读 Source
        • 解读 SourceMap
      • 中间表示中的类型节点
      • 解读 tvm.ir.structural_hash
    • 解读 tvm/script
      • 解读 tvm/script/parser/core
        • 解读 tvm/script/parser/core/diagnostics.py
        • 解读 tvm.script.parser.evaluator
    • 运行时(C++)
      • TVM Runtime api
      • TVM Runtime base
      • tvm::runtime::Object
      • tvm::runtime::ObjectPtr
      • tvm::runtime::ObjectRef
      • 内存机制
      • 解读 packed_func
      • make_node()
      • TVM 宏
      • env_func
      • repr
      • node functor
      • 数据类型
    • TVM FFI
      • tvm._ffi
      • tvm._ffi.libinfo
      • _init_api()
      • TVM 常用数据结构
      • register_object
      • Relay 表达式
    • 解读张量表达式
      • tvm.te.tag.tag_scope()
      • te tensor 计算
    • 解读 tvm.topi
      • saturate (有 bug)
      • 浮点数到定点的转换(TOPI)
    • tvm.tir 解读
      • tvm.tir.expr
        • Ramp
      • 补码
      • 解读 q_multiply_shift()
        • Q 表示法
        • 定点数示例
        • 定点表示法的乘法示例
        • 浮点数转定点数（C++）
        • 浮点转定点
      • tvm.tir.analysis
        • 计算分配内存
      • StorageRewrite
      • 解读 tvm.tir.transform.LowerDeviceStorageAccessInfo
    • TVM op
      • op IR
      • 为算子添加类型关系
      • nn.pad
    • 数据布局
      • InferCorrectLayoutOutput
    • 属性
      • 对象属性辅助函数
    • TVM 表达式
      • 解读类型推断
      • 表达式
      • 添加 relay 算子
      • 解读 ExprFunctor
    • TVM 节点反射
    • TVM 变换
      • 变换概述
      • TVM Pass Infra
      • TVM Pass Instrument
      • 简化推理
      • 解读 FoldScaleAxis
      • 定制 Pass
      • fold-explicit-padding
      • AnnotateSpans
      • 解读 TVM 变换
        • 解读 InferTypeLocal()
        • DefuseOps
        • 除法转乘法
        • Relay 模块级 Pass
        • Relay 函数级 Pass
        • Relay Sequential pass
        • Relay PrintIR
        • Relay Pass Instrument
        • 测试 Pass
        • 算子融合测试
    • 源码映射机制
      • 源码映射
      • 构建源信息
      • relay.Span 示例
    • NameSupply
    • 内存计划
    • UMA 开发
      • UMAPartitioner
      • 快速入门 UMA
    • Relay
      • 解读 DFPatternCallback
      • 解读 tvm.relay.quantize
        • 量化配置
        • 预热阶段
        • 量化 QPartitionExpr
        • 量化分区
        • 量化注解
        • SimulatedQuantize
        • TVM 自动量化校准
        • 自动量化实现
        • partition_conversions
      • 类型推断
      • ToMixedPrecision 解读
      • 解读 _test_type_solver
      • FForwardRewrite
      • tvm::relay::transformForwardRewrite
      • tvm::relay::RewriteAnnotatedOps()
      • Relay 后端
        • Relay 后端解释器
        • aot-executor-codegen
      • 构建 Relay 模型
      • graph executor
      • cpp-build-module
      • graph-partitioning
      • analysis-get-calibration_data
      • memory-passes
      • AnnotateUsedMemory
        • AnnotateUsedMemory C++ 源码
        • python 端 AnnotateUsedMemory
    • QNN
      • FTVMQnnCanonicalize
      • FTVMQnnLegalize()
      • tvm.relay.qnn.op.softmax()
    • 测试模块
      • 运行时错误
    • 解读代码生成
      • C-host 代码生成简介
      • 代码生成：静态初始化
      • 代码生成：VM 基础
      • 代码生成：extern
    • tvm.contrib
      • Verilator 集成
        • Verilator 代码生成测试
  • TVM 应用
    • TVM 部署试验
      • fake_quantization_to_integer
      • 外部目标代码生成
      • target-codegen-vm-basic
      • target-codegen-static-init
      • target_codegen_c_host
      • 测试定点乘法
  • 专题
    • 代码生成
      • 静态初始化
      • C Host
      • extern
    • TVM 插件
      • 初识 Relay 变换
      • TVM 拓展：Python 调用 C++
      • C++ 调用 Python
      • TVM 模块插件
      • 创建 TVM 的 NDArray 的子类
    • 注册机制
      • 注册插件
      • 运行时
        • measure
        • module export
    • 其他专题
      • YOLO
        • YOLO 简介
      • TVM Explorer Infrastructure
        • TVM Explorer Infrastructure 简介
      • podman
        • Podman 简介
      • WSL
        • WSL 信息
  • 操练场
    • 教程(chaos)
      • TVM 基础
        • TVM 准备
        • TVM 入门
        • 与机器学习框架的整合
        • 张量表达式
      • 量化(chaos)
        • 分析 TVM 自动量化结果
        • TVM 自动量化过程剖析
        • 测试自动量化
        • fake-quantization-to-integer
        • canonicalizations
      • Relay 手册
        • 快速了解 Relay
        • 合并复合 Relay 算子
        • TVM Relay 构建模块
        • 注解区域
        • 合并编译器区域
        • 注解目标设备
      • VTA 教程(chaos)
        • VTA 配置
        • VTA 指令集
        • VTA 算子
        • 自定义 VTA Graph Pack
        • VTA resnet18
      • Relax 手册
        • nn.module
        • MLP Relax 模型
        • 翻译 Relay 程序为 Relax
      • 数据集
        • ImageNet 接口
        • 测试 ImageNet 分类精度
    • 专题(chaos)
      • 数值表示
        • 十进制定点和浮点运算
        • 定点数表示法
        • 浮点数表示法
      • 实用接口
        • Numpy 实用接口
      • 对抗攻击
        • 对抗性示例生成
    • 论文
      • 论文综述集
        • 图像去噪综述
      • 其他论文
    • 目标设备
      • OneDNN
    • 测试
      • 测试 FoldScaleAxis
        • 简单的前向折叠
        • 双路径前向折叠
        • 前向折叠失败
        • 前向折叠 ReLU 失败
        • 前向折叠 Let 失败
        • 前向折叠负缩放的测试用例
        • 前向折叠 dense 的测试用例
        • 简单的后向折叠
        • 双路径后向折叠
        • 简单后向常量折叠
        • 简单后向双消费者
        • 双路径后向折叠失败
        • 后向折叠 ReLU 失败
        • 后向折叠负缩放的测试用例
        • 后向折叠 dense 的测试用例
        • 前向折叠 conv3d 的测试用例
        • 后向折叠 conv3d 的测试用例
        • 后向折叠 bias_add 的测试用例
      • mobilenetv3
        • bn+dense+dn 融合
        • mobilenetv3
        • 测试
      • YOLO 系列
        • 目标检测输出层
        • 三种版本的 DFL
        • YOLO 输出
        • Setup
  • 关于
    • 参考文献
    • 行为准则
    • 贡献
    • 变更日志
  • 常见问题
    • tvm-docker
    • GCC 常见错误
    • caffe 常见错误
    • CUDA 常见问题
  • 开发
    • 算子开发
      • HardTanh 函数
        • HardTanh 简介
        • HardTanh Relay 实现
      • HardSigmoid 函数
        • Hard Sigmoid 简介
        • HardSigmoid Relay 实现
      • HardSwish 函数
        • HardSwish 简介
        • HardSwish Relay 实现
    • 待办事项
    • 资讯
    • cpp-book
  • TVM
  • 资讯
  • API Reference
    • tvm_book
      • tvm_book.config
        • tvm_book.config.env
      • tvm_book.tvm_ext
        • tvm_book.tvm_ext._ffi_api
        • tvm_book.tvm_ext.libinfo

Python 模块索引

t
 
t
- tvm_book
    tvm_book.config
    tvm_book.config.env
    tvm_book.tvm_ext
    tvm_book.tvm_ext._ffi_api
    tvm_book.tvm_ext.libinfo

作者： xinetzone

© Copyright 2022, xinetzone.

最后更新于 2024-12-19, 08:57:36.

© Copyright 2022, xinetzone.

由 Sphinx 8.1.3创建。

最后更新于 2024-12-19, 08:57:36.