TVM优化原理学习

没有看论文，看了b站陈天奇的视频，还有一些博客的分析，学习了优化原理。后续需要深入理解再看论文。

TVM对于神经网络的优化主要有两部分，计算图优化和算子优化，下面分开说明。

1. 计算图优化

   例如算子融合，常量传播等。这一步是在IR层面完成，现在TVM是使用relay IR来描述计算图。优化的过程蕴含在relay.build中，参考https://zhuanlan.zhihu.com/p/113962405

    

2. op算子优化

   对于一个给定的计算问题，该如何映射到后端硬件上呢？tvm的方案是张量表达式，schedule + auto-tuning。对于一个给定的计算，会有很多种实现方式，每一种实现方式称为一个schedule。例如GEMM计算中，矩阵的分块大小，数据预取步长等等。我们要做的就是在所有schedule中，找到性能表现最好的schedule。

   这里就有很多问题，比如给定的计算问题该怎么描述呢？对应的解决是TVM的张量表达式，可以更好的体现计算的数据特性。

   再比如该如何确定出不同的schedule呢？

   再比如，一个很重要的问题是，可能有billion量级的schedule，每个schedule都尝试的话，用时肯定是不可接受的。所以就有了autoTVM这样基于machine learning的搜索方式，可能使用GBDT来进行决策，减小搜索空间。