Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →https://tvm.hyper.ai/ 作者：Lianmin Zheng 本教程介绍如何为 NVIDIA GPU 编写高性能可调模板。通过在此模板上运行自动调优器，可在许多情况下胜过供应商提供的 cuDNN 库。 注意，本教程不会在 Windows 或最新版本的
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站 针对特定设备和工作负载的自动调优对于获得最佳性能至关重要，本文介绍如何为 NVIDIA GPU 调优整个卷积网络。 TVM 中
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站 本教程演示如何在 TVM 中使用 TensorCores 编写高性能卷积调度。在这个例子中，会假设卷积输入的 batch 较大。
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站 本教程演示了如何在 TVM 中编写高性能卷积实现。以正方形大小的输入张量和滤波器为例，假设卷积输入的 batch 较大。在此示例
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 作者：Yongfeng Gu 本文介绍使用 TEDD（Tensor Expression Debug Display）对张量表达式进行可视化。 张量表达式使用原语进行调度，单个原语容易理解，但组合在一起时，就会变得复杂。
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 作者：Ziheng Jiang 若要在单个循环中计算具有相同 shape 的多个输出，或执行多个值的归约，例如 argmax。这些问题可以通过元组输入来解决。 本教程介绍了 TVM 中元组输入的用法。 from __fu
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 作者：Yizhi Liu 本文介绍如何在 TVM 中进行张量化。 通过使用调度原语 tensorize，可以用相应的内联函数替换一个计算单元，从而可以利用手写的 micro-kernels，以及扩展 TVM 支持新的硬件
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 作者：Tianqi Chen 虽然 TVM 支持透明代码生成，但有时也需将手写的代码合并到流水线，例如对一些卷积核使用 cuDNN，并定义其余阶段。 原生 TVM 就支持黑盒函数调用。具体来说，TVM 支持所有与 DLP
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 作者：Tianqi Chen 下面介绍如何在 TVM 中进行递归计算（神经网络中的典型模式）。 from __future__ import absolute_import, print_function import
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 作者：Tianqi Chen 尽管 TVM 支持基本的算术运算，但很多时候，也需要复杂的内置函数，例如 exp 取指函数。 这些函数是依赖 target 系统的，并且在不同 target 平台中可能具有不同的名称。本教程
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →https://tvm.hyper.ai/ 作者：Tianqi Chen 本文介绍如何在 TVM 中规约（reduce）。关联规约算子（如 sum/max/min）是线性代数运算的典型构造块。 from __future__ import absolute_impo
作者：Ziheng Jiang TVM 是一种用于高效构建内核的领域特定语言。 本教程展示了如何通过 TVM 提供的各种原语来调度计算。 from __future__ import absolute_import, print_function import tvm from tvm import te import numpy as np 计算相同结果的方法众多，然而，不同的方法会导致局部
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站tvm.hyper.ai/ 作者：Chi-Wei Wang Relay IR 模块可以包含很多操作。通常单个操作很容易理解，但
Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 → Apache TVM 中文站tvm.hyper.ai/ 作者：Hua Jiang 本教程介绍如何将「Pipeline Executor」与 Relay 配合使用。 import tvm from tvm import te import numpy as np
作者：Masahiro Masuda，Truman Tian 本文介绍如何将 cuDNN 或 cuBLAS 等外部库与 Relay 一起使用。 Relay 内部用 TVM 来生成 target-specific 的代码。例如，TVM 使用 CUDA 后端为用户提供的网络中的所有层生成 CUDA 内核。有时也可将各个供应商开发的外部库合并到 Relay 中，TVM 有一种机制可以透明地调用这些库——
更多 TVM 中文文档可访问 → https://tvm.hyper.ai/ 本文介绍如何用 Relay 构建图卷积网络（GCN）。本教程演示在 Cora 数据集上运行 GCN。Cora 数据集是图神经网络（GNN）的 benchmark，同时是支持 GNN 训练和推理的框架。我们直接从 DGL 库加载数据集来与 DGL 进行同类比较。 pip install torch==2.0.0 pip i
本文是一篇关于在 Adreno™ 上部署预训练 Keras resnet50 模型的逐步教程。 此外，您应该已经为 Android 构建了 TVM。请参阅以下说明，了解如何构建它并设置 RPC 环境。 在 Adreno GPU 上部署 import os import tvm import numpy as np from tvm import relay from tvm.driver impo
作者：Wuwei Lin 本文介绍如何用 TVM 自动量化（TVM 的一种量化方式）。有关 TVM 中量化的更多详细信息，参阅 此处。本教程将在 ImageNet 上导入一个 GluonCV 预训练模型到 Relay，量化 Relay 模型，然后执行推理。 import tvm from tvm import te from tvm import relay import mxnet as mx
更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站 作者：Siju Samuel 此教程介绍如何量化 TFLite 计算图，并通过 TVM 编译和执行。 有关使用 TFLite 量化模型的更多详细信息，参阅 转换量化模型。 TFLite 模型下载 链接。 开始前，先安装 Tenso
本文介绍如何将深度学习框架量化的模型加载到 TVM。预量化模型的导入是 TVM 中支持的量化之一。有关 TVM 中量化的更多信息，参阅 此处。 这里演示了如何加载和运行由 PyTorch、MXNet 和 TFLite 量化的模型。加载后，可以在任何 TVM 支持的硬件上运行编译后的量化模型。 首先，导入必要的包： from PIL import Image import numpy as np i
本文介绍如何用 Relay VM 部署 PyTorch 目标检测模型。 首先应安装 PyTorch。此外，还应安装 TorchVision，并将其作为模型合集（model zoo）。 可通过 pip 快速安装： pip install torch pip install torchvision 或参考官网：https://pytorch.org/get-started/locally/ PyTo
此教程介绍如何用 Relay 编译 ResNet 模型，并将其部署到树莓派。 import tvm from tvm import te import tvm.relay as relay from tvm import rpc from tvm.contrib import utils, graph_executor as runtime from tvm.contrib.download im
2023 Meet TVM · 深圳站于 2023 年 9 月 16 日在腾讯大厦成功举办，百余名参与者亲临现场，聆听讲师们的精彩分享。 内含活动录播以及讲师 PPT
TVM 支持带有 SDAccel 的 Xilinx FPGA 板，接下来介绍如何将 TVM 部署到 AWS F1 FPGA 实例。
2023 Meet TVM 线下聚会第 3 站将于 9 月 16 日在深圳腾讯大厦举办！本次 Meetup 包含 5 个关于 AI 编译器的精彩 talk，期待与大家在深圳相聚！
本文介绍如何使用 C++ API 部署 TVM 模块，部署到 Android，并将 TVM 集成到项目中。
本节介绍如何将 TVM 部署到各种平台，以及如何将其与项目集成。
本文介绍如何用 Relay 部署 OneFlow 模型。
本文介绍如何用 Relay 部署 PaddlePaddle 模型
本篇文章译自英文文档 Compile YOLO-V2 and YOLO-V3 in DarkNet Models 作者是 Siju Samuel 更多 TVM 中文文档可访问 →Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。 | Apache TVM 中文站 本文介绍如何用 TVM 部署 DarkNet 模型。所有必需的模型和库都可通过脚本从
Copyright © 2005-2025 51CTO.COM 版权所有 京ICP证060544号
