本篇文章译自英文文档 Deploy Models and Integrate TVM tvm 0.14.dev0 documentation 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

本节介绍如何将 TVM 布置到各种渠道，以及如何将其与项目集成。

部署模型并与 TVM 集成

构建 TVM runtime 库

不同于传统的深度学习框架，TVM 仓库分为两个首要组件：

  • TVM compiler：负责模型的编译和优化。
  • TVM runtime：在方针设备上运行。

集成编译后的模块并不需要在方针设备上构建整个 TVM，只需在你的电脑上构建 TVM 编译器仓库，然后用来穿插编译要布置到方针设备上的模块。

这里只需利用可集成到各种渠道的轻量级 runtime API 即可。

例如，可在基于 Linux 的嵌入式体系（如树莓派）上，运行以下指令来构建 runtime API：

git clone --recursive https://github.com/apache/tvm tvm
cd tvm
mkdir build
cp cmake/config.cmake build
cd build
cmake ..
make runtime

注意：make runtime 仅构建 runtime 库。

也可以穿插编译 runtime 库，但不要和嵌入式设备的穿插编译模型混淆。

若要包含其他 runtime（例如 OpenCL），可以修正 config.cmake 来启用这些选项。获取 TVM runtime 库后，就可以链接编译好的库了。

部署模型并与 TVM 集成

TVM 可针对不同架构（例如 x64_64 主机上的 aarch64）穿插编译模型（不管是否被 TVM 优化）。一旦模型被穿插编译，runtime 必须与方针架构兼容，才能运行穿插编译的模型。

为其他架构穿插编译 TVM runtime​

在 上面 的示例中，runtime 库是在树莓派上编译的，与树莓派等方针设备相比，在拥有高性能芯片和足够资源的主机（如笔记本电脑、工作站）上生成 runtime 库的速度要快得多。为了穿插编译 runtime，必须装置方针设备的东西链。装置正确的东西链后，与原生编译相比，首要差异在于向 cmake 传递了一些额定的指令行参数来指定要使用的东西链。例如，在现代笔记本电脑（使用 8 个线程）上为 aarch64 构建 TVM runtime 库需要大约 20 秒，而在树莓派 4 上构建 runtime 需要约 10 分钟。

aarch64 的穿插编译​

sudo apt-get update
sudo apt-get install gcc-aarch64-linux-gnu g++-aarch64-linux-gnu

cmake .. \
    -DCMAKE_SYSTEM_NAME=Linux \
    -DCMAKE_SYSTEM_VERSION=1 \
    -DCMAKE_C_COMPILER=/usr/bin/aarch64-linux-gnu-gcc \
    -DCMAKE_CXX_COMPILER=/usr/bin/aarch64-linux-gnu-g++ \
    -DCMAKE_FIND_ROOT_PATH=/usr/aarch64-linux-gnu \
    -DCMAKE_FIND_ROOT_PATH_MODE_PROGRAM=NEVER \
    -DCMAKE_FIND_ROOT_PATH_MODE_LIBRARY=ONLY \
    -DMACHINE_NAME=aarch64-linux-gnu
make -j$(nproc) runtime

对于 ARM 裸机，用以下东西链（而不是 gcc-aarch64-linux-*）来装置十分方便：

sudo apt-get install gcc-multilib-arm-linux-gnueabihf g++-multilib-arm-linux-gnueabihf

RISC-V 的穿插编译​

sudo apt-get update
sudo apt-get install gcc-riscv64-linux-gnu g++-riscv64-linux-gnu


cmake .. \
    -DCMAKE_SYSTEM_NAME=Linux \
    -DCMAKE_SYSTEM_VERSION=1 \
    -DCMAKE_C_COMPILER=/usr/bin/riscv64-linux-gnu-gcc \
    -DCMAKE_CXX_COMPILER=/usr/bin/riscv64-linux-gnu-g++ \
    -DCMAKE_FIND_ROOT_PATH=/usr/riscv64-linux-gnu \
    -DCMAKE_FIND_ROOT_PATH_MODE_PROGRAM=NEVER \
    -DCMAKE_FIND_ROOT_PATH_MODE_LIBRARY=ONLY \
    -DMACHINE_NAME=riscv64-linux-gnu
make -j$(nproc) runtime

file 指令可用于查询生成的 runtime 的架构。

file libtvm_runtime.so
libtvm_runtime.so: ELF 64-bit LSB shared object, UCB RISC-V, version 1 (GNU/Linux), dynamically linked, BuildID[sha1]=e9ak845b3d7f2c126dab53632aea8e012d89477e, not stripped

针对方针设备优化和调优模型​

在嵌入式设备上对 TVM 内核进行测验、调优和基准测验，最简单且引荐的方法是经过 TVM 的 RPC API。下面是相关教程的链接：

  • 穿插编译和 RPC
  • 在树莓派上布置预练习模型

在方针设备上布置优化模型​

完结调优和基准测验后，要在方针设备上以不依赖 RPC 的方法来布置模型。具体操作参阅以下教程：

  • 使用 C++ API 布置 TVM 模块
  • 布置到 Android
  • 将 TVM 集成到项目中
  • HLS 后端示例
  • Relay Arm 核算库集成
  • Relay TensorRT 集成
  • Vitis AI 集成
  • Relay BNNS 集成

其他布置方法​

前面已经有许多针对特定设备的操作指南，其中包含 Python 代码的示例（可用 Jupyter Notebook 查看），这些操作指南描绘了如何准备模型，并将其布置到支撑的后端。

布置深度学习模型