整体架构
从开发者在不同深度学习开放平台上所撰写的代码，到最终在不同硬件平台上执行，这其中存在着不小的差距。深度学习框架更多关注开发者的便捷性，而硬件设备更注重能耗和效率。TVM/NNVM，定位于开源的深度学习编译器技术栈(open deep learning compiler stack)，整体目的就是缩小这两者之间的差距。
需要注意的是，无论是深度学习框架还是硬件设备，两者都具有高度的多样性，倘若一对一的进行优化和编译，工作量会由于组合爆炸而激增。为此，TVM/NNVM借用了在CPU架构中常用的编程语言的思想，即用中间语言（IR）来实现不同语言之间的翻译。首先不同深度学习框架中的网络模型被NNVM翻译成为抽象的、硬件无关的计算图模型；之后，再通过TVM将上述计算图模型细化为与硬件关联的程序。
图是对TVM/NNVM整体架构的示意图。TVM技术堆栈由NNVM和TVM两部分组成。NNVM负责图层面的优化，TVM负责算子层面的优化。不同的深度学习平台，如MXNet，可以直接通过NNVM提供的接口转化为计算图；或可以通过CoreML、ONNX等深度学习标准格式进行转换。在这一过程中，NNVM同时为计算图添加层融合等图层面的优化技术。最终，NNVM生成与硬件无关的、优化的计算图，向下传递给TVM。TVM则负责为计算图中的每个操作如何在不同的平台上的执行添加高效地实现，并最终生成可以在不同硬件平台上可执行的代码。
设计理念
System for AI
TVM/NNVM主要希望减少深度学习框架和底层硬件之间的间隙。但由于在不同的硬件上，各种硬件资源，如内存，L1/L2缓存，带宽等、不可避免地存在差异。因此，TVM/NNVM采用了将计算（compute）与调度（schedule）分离的哲学。所有硬件平台共享compute属性，保证最终结果的一致性；而不同硬件平台根据自身的特性独享schedule属性，确保其执行的效率。
AI for System
TVM主要负责如何将计算图中的操作符编译成可以在不同硬件上高效执行的代码。这可以抽象成一个优化的问题。因此，在这一过程中，TVM同样会使用深度学习的方法来对不同硬件平台进行优化，称之为AutoTVM，如图所示。用深度学习等自动化方法来为不同的硬件平台实现优化，可以很好地适用未来端侧设备的多样性。
同系列文章参考
图层面的技术
神经网络编译器图层面IR
神经网络编译器-常量折叠
神经网络编译器优化-死代码消除
算子层面的技术
Halide-based IR和 Polyhedral-based IR简介
后端优化技术loop transformation
神经网络编译器的Tensor优化：auto tune和auto schedule
神经网络的加速
神经网络的加速技术
神经网络稀疏性调研
神经网络中矩阵稀疏性的编码方式
多面体模型
多面体模型系列一
多面体模型系列二
