摘要：
TVM 优化 ARM GPU 上的移动深度学习 随着深度学习的巨大成功，将深度神经网络部署到移动设备的需求正在迅速增长。与桌面平台上所做的类似，在移动设备中使用 GPU 既有利于推理速度，也有利于能源效率。但是，大多数现有的深度学习框架并不很好地支持移动 GPU。难点在于移动 GPU 架构和桌面 G 阅读全文
摘要：
通过 DLPack 构建跨框架深度学习编译器 深度学习框架，如Tensorflow, PyTorch, and ApacheMxNet，快速原型化和部署深度学习模型提供了强大的工具箱。不幸的是，易用性往往以碎片化为代价：孤立地使用每个框架是很容易的。纵向集成使开发简化为常用案例，但冒险走出困境可能比 阅读全文
摘要：
TVM 高效保护隐私 ML 这篇文章描述了Myelin，一个在值得信赖的硬件飞地中保护隐私的机器学习框架，以及TVM如何使Myelin快速。关键的想法是，TVM，不像其它流行的ML框架，将模型编译成轻量级，优化，免费依赖库，可以适应资源有限利用。 尝试创建保护隐私的ML模型！查看 TVM可用的rep 阅读全文
摘要：
TVM编译机器学习到 WASM 和 WebGPU TLDR TVM 深度学习编译器对 WASM 和 WebGPU 的支持。实验表明，TVM 的 WebGPU 后端在将模型部署到 Web 时可以接近原生 GPU 性能。 引论 计算是现代机器学习应用的支柱之一。引入 GPU 以加快深度学习工作量，大大提 阅读全文
摘要：
用TVM在硬件平台上部署深度学习工作负载的端到端 IR 堆栈 深度学习已变得无处不在，不可或缺。这场革命的一部分是由可扩展的深度学习系统推动的，如滕索弗洛、MXNet、咖啡和皮托奇。大多数现有系统针对范围狭窄的服务器级 GPU 进行了优化，需要在其它平台，如移动电话、物联网设备和专用加速器（FPGA 阅读全文
摘要：
TVM优化Deep Learning GPU算子 高效的深度学习算子是深度学习系统的核心。通常，这些算子很难优化，需要HPC专家付出巨大的努力。 端到端张量IR / DSL堆栈TVM使这一过程变得更加容易。 如何在TVM的帮助下编写高性能GPU运算符内核。本文以深度卷积（即topi.nn.depth 阅读全文