By超神经内容一览：本文整理自OpenBayes贝式计算工程副总裁姜汉在2023MeetTVM上海站的分享，主题为「使用TVM做边缘设备的模型编译和推理实践」，HyperAI超神经做了不改变原意的删减整理

更多TVM中文文档可访问→TVM中文站这个例子展示了如何用RelayPython前端构建神经网络，并为装有TVM的NVIDIAGPU生成runtime库。注意，构建TVM需要启用CUDA和LLVM。

今年的大会，我们邀请到了特约嘉宾，线上为大家解读ApacheTVM接下来的发展规划~关键词：TVM中文社区TVMCon2023一年一度的TVMCon于北京时间3月16日凌晨开幕，为期3天，从Tutorial

主题当前设备的表示形式。概述使用UIDevice对象来获取关于设备的信息，比如分配的名称、设备模型、操作系统名称和版本。你还可以使用UIDevice实例来检测设备特征的变化，比如物理方向。你可以使用orientation属性获得当前的朝向，或者通过注册UIDeviceOrientationDidChangeNotification通知来接收变更通知。在使用这两种技术来获取定向数据之前，你必须使用b

(官方文档翻译过来的)#还是花了些功夫翻译，各位如果转发，请留下本文地址，谢谢#翻译过程中难免出现翻译错误的地方，如果有哪位大神发现有错误的地方，请您留言指正，感激不尽，共同进步。

官方安装方法：https://tvm.apache.org/docs/install/from_source.html1.安装Anacondahttps://www.anaconda.com/products

classtorch.utils.data.DataLoader(dataset,batch_size=1,shuffle=None,sampler=None,batch_sampler=None,num_workers=0,collate_fn=None,pin_memory=False,drop_last=False,timeout=0,worker_init_fn=None,multipro

由于工作需要，初次接触TVM，工作用的电脑是windows系统的，要从头搭建整个编译环境，嗯，真的硬核从头，从安装ubuntu子系统开始，中间遇坑无数，死磕各种报错很久，终于经过苦难的半个月折磨顺利按官方文档完成了

因为Docker不能使用Nvidia驱动，所以请务必使用Nvidia-docker1.安装Nvidia-docker官网有安装方法https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/install-guide.html1.下载软件源distribution=$(./etc/os-release;echo$ID$VERS

EasySave保存插件Unity商店地址：https://assetstore.unity.com/packages/tools/input-management/easy-save-the-complete-save-load-asset-768这次献上的是大名鼎鼎的Save&Load(保存+读取)插件——EasySave3！这个插件非常的牛逼，比如：文档地址加密、文档内容加密、以及就算是整个

cmake概要#生成构建系统cmake[]cmake[]cmake[]-S-B[][--]#安装项目cmake--install[]#打开项目cmake--open#运行脚本cmake[{-D=}...]-P#运行内建命令cmake-E[]#运行Find-Package工具cmake--find-package[]#查看帮助cmake--help[-]描述cmake是CMake提供的命令行工具。上

本文首发自微信公众号：HyperAI超神经内容一览：「2023MeetTVM·开年首聚」成功线下相聚上海，来自企业和高校的100多位参与者齐聚一堂，共话机器学习编译的现在和未来。关键词：2023MeetTVM线下活动3月4日，由MLC.AI社区主办、上海五角场创新创业学院、HyperAI超神经及OpenBayes贝式计算合办的2023MeetTVM线下聚会在上海成功举办，来自上海、杭州、北京、南京

更多TVM中文文档可访问→TVM中文站本教程介绍了如何在TVM中使用RPC进行交叉编译和远程设备执行。利用交叉编译和RPC，可以实现程序在本地机器编译，在远程设备运行。

前段时间写了tvm的转换编译部署相关的文章，牛先生：神经网络编译器TVM,autoTVM自动代码优化及c++部署cuda实践20赞同·0评论文章正在上传…重新上传取消以及tensorrt偏向讲原理的文章

TVM实战问题的由来最近客户反馈我们的backend导入Pytorch模型会出错，而TFLite模型是OK的。

本篇回答来源于TVM官方英文文档LianminZheng，ChengfanJia。

作者：JocelynShiue全部TVM中文文档访问：全部TVM中文文档本节将介绍针对TVM初学者设计的脚本工具。

完整TVM中文文档，访问→TVM中文站作者：LianminZheng，ChrisHoge本教程将展示如何用TVM张量表达式（TE）语言编写schedule模板，并通过AutoTVM对模板进行搜索，从而找到最佳

内容一览：从去年12月延期至今的TVM线下聚会终于来了！

原创文章，转载请注明不定期挑选一些spring-boot的文档进行翻译，学习之余，也为他人提供一点帮助。其实现在已经深深的成为spring的粉丝了，告诉我，还有什么理由不用spring全家桶。还有什么理由不用spring的第二春spring-boot+spring-cloud我会对一些地方做出自己的解释，通过（译者注）这样的形式。这里放上我所翻译版本的原文，以便我翻译有误的话方便大家查看原文htt

内容一览：从去年12月延期至今的TVM线下聚会终于来了！

刚开始接触神经网络量化是2年前那会，用NCNN和TVM在树莓派上部署一个简单的SSD网络。

本篇回答来源于TVM官方英文文档LianminZheng，ChengfanJia。

完整TVM中文文档，访问→TVM中文站作者：LianminZheng，ChrisHoge本教程将展示如何用TVM张量表达式（TE）语言编写schedule模板，并通过AutoTVM对模板进行搜索，从而找到最佳

注：以下文档根据2019年10月的官方文档翻译。

Kafka官方文档翻译——简介简介Kafka擅长于做什么？

目录1.链接2.从Kafka读数据2.1从流查询创建Kafka数据源2.2从批查询Kafka数据源（spark.readStream变成了spark.read）3.向Kafka写数据3.1创建流查询KafkaSink3.2创建批查询KafkaSink4Kafka特有参数配置1.链接groupId=org.apache.sparkartifactId=spark-sql-kafka-0-10_2.1

一、TVMtopi中关于conv2d_nchw的代码：defconv2d_nchw(Input,Filter,stride,padding,dilation,out_dtype=None):ifout_dtypeisNone:out_dtype=Input.dtypeassertisinstance(stride,int)orlen(stride)==2assertisinstance(dilat

关于TVM在Windows上的安装教程网上非常少，原因是TVM主要是针对Linux开发的，目前在Windows运行一些关于TVM的代码会有报错的现象，同时最近，TVM官方去除了之前一直用的中继编译器NNVM

TVM(TensorVirtualMachine)的诞生解决了以上问题，它是一个开源深度学习编译栈，它通过统一的中间表达(IntermediateRepresentation)堆栈A800-9010(At

pycharm远程调试环境网上已经有很多答案，这里不重复，但在远程调试TVM时会有一个坑：pycharm不能读取远程机器的环境变量，从而导致cuda出错或各种错误，比如：Checkfailed:(bf!

首先是怎么把工程跑起来，FlexTensor倚仗TVM做代码生成，所以首先得安装TVM。

DSL领域专用语言TVM深度学习编译器AISystem人工智能系统参考项目TaiChi三维动画渲染物理仿真引擎DSLTVM深度学习DSL密集计算DSLLLVM模块化编译器编译器相关资料参考强烈推荐AISystem

TVMMonthly-August2021AsdiscussedbytheTVMPMC,ourgoalistoprovideamonthlysummaryoftheprojectsousersanddeveloperscangetabetterunderstandingofthegoingsonoftheTVMcommunity.Feedbackandsuggestionsarewelcomeds

Pytorch01——数据集介绍参考：https://pytorch.org/docs/stable/torchvision/datasets.html本文主要是对Pytorch图像数据集的官方文档翻译

对不起，好久没登录啦，因为现在在知乎专栏发插件的翻译，已经发了好多个了，我会慢慢的把知乎专栏上的插件翻译，搬过来哒~插件介绍Bakery-GPULightmapper插件Unity商店地址：https://assetstore.unity.com/packages/tools/level-design/bakery-gpu-lightmapper-122218其实堆了20多个已经翻译好的插件文档，

MakingaNewLearningEnvironment本教程将从头开始创建一个UnityEnvironment，以用于训练ReinforcementLearning（强化学习）Agent。建议先阅读GettingStarted，以便理解构建Environment用到的原理。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ZA9IexFG-1637221255733

tvm官网中，对从ONNX预训练模型中加载模型的教程说明教程来自于：https://docs.tvm.ai/tutorials/frontend/from_onnx.html#sphx-glr-tutorials-frontend-from-onnx-py

最近想想学习一下TVM，结果只是安装编译就花了一天多的时间。由于环境不同，官网的安装教程有很多坑需要自己趟，特此记录一下，希望能帮大家节省时间。

1、发布和订阅框架发布和订阅框架允许EL3组件定义和发布其他EL3组件可以订阅的事件。框架提供了以下宏：•REGISTER_PUBSUB_EVENT（事件）：定义事件，并接受一个参数，即事件名称，该参数必须是有效的C标识符。对REGISTER_PUBSUB_EVENT宏的所有调用都必须放在PUBSUB_events.h文件中。•PUBLISH_EVENT_ARG（事件，ARG）：通过迭代订阅的处理

1、Armv8-A体系结构扩展TF-A在适用的情况下使用Armv8-A架构扩展。本节列出了体系结构扩展的用法，以及控制它们的构建标志。通常，除非单独提及，否则构建选项ARM_ARCH_MAJOR和ARM_ARCH_MINOR将在构建TF-A时选择要作为目标的体系结构扩展。后续的Arm架构扩展与以前的版本向后兼容。生成系统只要求ARM_ARCH_MAJOR和ARM_ARCH_MINOR具有有效的数值

接上文4、应用实例本节详细介绍了使用身份验证框架的可信引导实现。本示例对应于TBBR客户端文档中指定的应用功能模式（AFM）。建议阅读本指南和源代码。4.1、TheTBBRCoT(CoT的信任板级引导要求)TrustedBoardBootRequirements在CoT中指定了BL1和BL2分别位于drivers/auth/tbbr/tbbr_cot_bl1.c和drivers/auth/tbbr

前言本文件旨在描述在可信固件-A（TF-A）中实现的认证框架。该框架满足以下要求：1、平台端口可以根据证书层次结构及其机制指定信任链去校验镜像和证书。2、框架需要区别一下：+这个机制是用于编码和传输信息的机制，比如e.g.DERencodedX.509v3certificatestoferrySubjectPublicKeys,hashesandnon-volatilecounters.+用于验证

接上文翻译3、信任链的具体实现CoT就是按照一定的顺序将一系列镜像进行排列组合，这个顺序他们得按照这个顺序进行校验。每个镜像都有参数需要AM去校验，这些特性会在下面进行说明。平台的接口是针对CoT的一个或者多个镜像数据。除非特定的，下面的数据结构就是按照PP中的描述。3.1描述镜像解析方法对应特定的镜像解析有对应的方法。例如，身份验证映像可以采用X.509v3格式。引导加载程序阶段的数据镜像可以是

这两年来，这个领域也异常地活跃，包括老牌一些的TensorFlowXLA、TVM、TensorComprehension、Glow，以及最近呼声很高的MLIR，能够看到不同的公司、社区在这

https://github.com/apache/tvm/pull/8909/files计算+调度分离TOPI中的算子分为其算子的定义和算子的schedule两部分。

Bullet2.83PhysicsSDKManualhttps://raw.githubusercontent.com/bulletphysics/bullet3/92a34440762ab94aec1ee766ef41b176ab7b6ef7/docs/Bullet_User_Manual.pdf90%使用谷歌翻译，有本人已知信息会手动修改翻译于http://blog.csdn.net/mybb

你会逐步学习了解到如何使用飞桨目标检测套件PaddleDetection工具套件完成目标检测模型的训练与适配，如何使用深度学习编译器TVM编译飞桨模型以及如何将编译后的模型部署在含有ArmCortex-M55

官方文档翻译原文：jps-JavaVirtualMachineProcessStatusTool(oracle.com)SYNOPSIS（简介）jps[options][hostid]PARAMETERSopti

本文介绍的BOLT基于TVM框架，在GPU平台上进行了进一步的图优化和算子优化，最终将常见的卷积神经网络模型的推理速度提升了2.5倍，搜索时间大大缩减，可以实现20分钟内完成自动搜索调优。