百度

秋招面试时遇到高铁柱前辈。问了相关的问题（对AI专业的人可能是基础知识）

1. nvcc编译器不好用吗？为什么要开发tvm之类的编译器？
   2. 答：首先，nvcc是类似与gcc, msvc(Microsoft Visual C++) 之类的传统的编译器，支持的是CUDA C/C++ 代码。
   3. 但是tvm编译器是张量编译器，支持的是python之类的代码，将其中的网络设计，编译拆解成各种算子，然后使用cudnn或者特定硬件的高效机器码来执行。

蔚来

数字信号处理器 (Digital signal processor)

HLO 简单理解为编译器 IR。

TVM介绍

https://tvm.apache.org

1. TVM解决的问题：
   1. 2017年，deploy Deep learning(TF,Pytorch) everywhere(hardware).
   2. Before TVM,
      1. 手动调优：loop tiling for locality.
      2. operator fusion 算子融合。虽然性能高，但是部署不高效
2. 编译优化思路引入深度学习
   1. 定义了算子描述到部署空间的映射。核心是感知调度空间，并且实现compute/schedule 分离
3. TVM当前的发展
   1. 上层计算图表示：NNVM Relay Relax
   2. 底层优化方式：manual -> AutoTVM(schedule最优参数的搜索，基于AI的cost model) -> Ansor(也不再需要手动写AutoTVM模版，使用模版规则生成代码)
4. TVM的额外工作
   1. HeteroCL: TVM + FPGA

1. output Fusion
   1. 减少Global Memory Copy

把中间算子库替换成编译器？

暂时不好支持张量

AI自动调整变化来调优

自动调参。缺点：

1. 需要人工写模版
2. 人工导致解空间变小
3. 

随机各级循环应用优化策略（并行，循环展开，向量化

介绍了Ansor效果很好

需要进一步的研究学习

暂无

遇到的问题

暂无

开题缘由、总结、反思、吐槽~~

参考文献

无