使用 TVMC Python 入门：TVM 的高级 API
注意：单击 此处 下载完整的示例代码
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：
mkdir myscripts
cd myscripts
wget https://github.com/onnx/models/raw/b9a54e89508f101a1611cd64f4ef56b9cb62c7cf/vision/classification/resnet/model/resnet50-v2-7.onnx
mv resnet50-v2-7.onnx my_model.onnx
touch tvmcpythonintro.py
用你熟悉的文本编辑器来编辑 Python 文件。
第 0 步：导入
from tvm.driver import tvmc
第 1 步：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={'input1' : [1, 2, 3, 4], 'input2' : [1, 2, 3, 4]}) #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。
第 2 步：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：
- cuda (英伟达 GPU)
- llvm (CPU)
- llvm -mcpu=cascadelake（英特尔 CPU）
package = tvmc.compile(model, target="llvm") # 第 2 步：编译
编译完成后返回一个 package。
第 3 步：运行
编译后的 package 可在目标硬件上运行。设备输入选项有：CPU、Cuda、CL、Metal 和 Vulkan。
result = tvmc.run(package, device="cpu") # 第 3 步：运行
用 print(result) 打印结果。
第 1.5 步：调优（可选并推荐）
通过调优可进一步提高运行速度。此可选步骤用机器学习来查看模型（函数）中的每个操作，并找到一种更快的方法来运行它。这一步通过 cost 模型，以及对可能的 schedule 进行基准化来实现。
这里的 target 与编译过程用到的 target 是相同的。
tvmc.tune(model, target="llvm") # 第 1.5 步：可选 Tune
终端输出如下所示：
[Task 1/13] Current/Best: 82.00/ 106.29 GFLOPS | Progress: (48/769) | 18.56 s
[Task 1/13] Current/Best: 54.47/ 113.50 GFLOPS | Progress: (240/769) | 85.36 s
.....
出现的 UserWarnings 可忽略。调优会使最终结果运行更快，但调优过程会耗费几个小时的时间。
参阅下面的“保存调优结果”部分，若要应用结果，务必将调优结果传给编译。
tvmc.compile(model, target="llvm", tuning_records = "records.log") # 第 2 步：编译
保存并在终端中启动进程
python my_tvmc_script.py
示例结果
Time elapsed for training: 18.99 s
Execution time summary:
mean (ms) max (ms) min (ms) std (ms)
25.24 26.12 24.89 0.38
Output Names:
['output_0']
TVMC 附加功能
保存模型
加载模型（第 1 步）后可保存 Relay 版本来提高之后的工作效率。模型将被储存在你指定的位置，随后可以被转换过的语法使用。
model = tvmc.load('my_model.onnx') # 第 1 步：加载
model.save(desired_model_path)
保存 package
模型编译完成（第 2 步）后，可将 package 保存下来。
tvmc.compile(model, target="llvm", package_path="whatever") # 第 2 步：编译
new_package = tvmc.TVMCPackage(package_path="whatever")
result = tvmc.run(new_package, device="cpu") # 第 3 步：运行
使用 Autoscheduler
使用下一代 TVM，运行速度会更快。schedule 的搜索空间以前是手写的，而现在是自动生成的。 （了解更多： 1，2）
tvmc.tune(model, target="llvm", enable_autoscheduler = True)
保存调优结果
把调优结果保存在文件中，方便以后复用。
-
方法 1:
log_file = "hello.json"
# 运行 tuning
tvmc.tune(model, target="llvm", tuning_records=log_file)
...
# 运行 tuning，然后复用 tuning 的结果
tvmc.tune(model, target="llvm",tuning_records=log_file) -
方法 2:
# 运行 tuning
tuning_records = tvmc.tune(model, target="llvm")
...
# 运行 tuning，然后复用 tuning 的结果
tvmc.tune(model, target="llvm",tuning_records=tuning_records)
对更复杂的模型调优
如果 T 的打印类似 .........T.T..T..T..T.T.T.T.T.T.，则增加搜索时间范围：
tvmc.tune(model, trials=10000, timeout=10,)
为远程设备编译模型
为不在本地计算机上的硬件进行编译时，TVMC 支持使用远程过程调用（RPC）。要设置 RPC 服务器，可参考本 文档 中的“在设备上设置 RPC 服务器”部分。
TVMC 脚本包括以下内容，并进行了相应调整：
tvmc.tune(
model,
target=target, # 编译 target 为字符串 // 要编译的设备
target_host=target_host, # 主机处理器
hostname=host_ip_address, # 远程基准测试时使用的 RPC 跟踪器的 IP 地址
port=port_number, # 要连接的 RPC 跟踪器的端口。默认为 9090。
rpc_key=your_key, # 目标设备的 RPC 跟踪器密钥。提供 rpc_tracker 时需要
)