3、使用 TVMC Python 入门：TVM 的高级 API

标签：Python 模型 TVM 编译 shape API model TVMC

本节将介绍针对 TVM 初学者设计的脚本工具。

开始前如果没有下载示例模型，需要先通过终端下载 resnet 模型：

cd myscripts/
mv resnet50-v2-7-frozen.onnx my_model.onnx

在myscripts目录下新建tvmcpythonintro.py

0、导入

from tvm.driver import tvmc

1、加载模型

将模型导入 TVMC。这一步将机器学习模型从支持的框架，转换为 TVM 的高级图形表示语言 —— Relay。这是为 TVM 中的所有模型统一起点。目前支持的框架：Keras、ONNX、TensorFlow、TFLite 和 PyTorch。

model = tvmc.load('my_model.onnx') # 第 1 步：加载

 

查看 Relay，可运行 model.summary()。

所有框架都支持用 shape_dict 参数覆盖输入 shape。对于大多数框架，这是可选的；但对 PyTorch 是必需的，因为 TVM 无法自动搜索它。

model = tvmc.load('my_model.onnx', shape_dict={'data' : [1,3,224,224]}) #第一步: 加载 + shape_dict

推荐通过 netron 查看模型 input/shape_dict。打开模型后，单击第一个节点查看输入部分中的 name 和 shape。

2、编译

模型现在是用 Relay 表示的，下一步是将其编译到要运行的硬件（称为 target）。这个编译过程将模型从 Relay，翻译成目标机器可理解的底层语言。

编译模型需要一个 tvm.target 字符串。查看 文档 了解有关 tvm.targets 及其选项的更多信息。一些例子如下：

1. cuda (英伟达 GPU)
2. llvm (CPU)
3. llvm -mcpu=cascadelake（英特尔 CPU）

（上面我理解的是编译到TVM运行时）

package = tvmc.compile(model, target="llvm") # 第 2 步：编译

编译完成后返回一个 package。

 

 

 

 

 

 

 

 

 

参考资料：

使用 TVMC Python 入门：TVM 的高级 API | Apache TVM 中文站 (hyper.ai)

 

标签：Python,模型,TVM,编译,shape,API,model,TVMC
From： https://www.cnblogs.com/xzit201802/p/16949288.html