跳到主要内容
版本：0.21.0

TVM python 包的 Contrib API。

Contrib API 提供了许多实用的非核心函数。其中一些是与第三方库和工具交互的实用工具。

tvm.contrib.cblas

BLAS 库的外部函数接口。

tvm.contrib.cblas.matmul(lhs, rhs, transa=False, transb=False, **kwargs)​

创建一个外部操作，使用 CrhsLAS 计算 A 和 rhs 的矩阵乘法，此函数作为如何调用外部库的示例。

  • 参数：
    • lhs (Tensor)：左矩阵操作数。
    • rhs (Tensor)：右矩阵操作数。
    • transa (bool)：是否转置 lhs。
    • transb (bool)：是否转置 rhs。
  • 返回：C：结果张量。
  • 返回类型：Tensor。

tvm.contrib.cblas.batch_matmul(lhs, rhs, transa=False, transb=False, iterative=False, **kwargs)​

创建一个外部操作，使用 CBLAS 计算 A 和 rhs 的分批矩阵乘法。此函数作为如何调用外部库的示例。

  • 参数：
    • lhs (Tensor)：左矩阵操作数。
    • rhs (Tensor)：右矩阵操作数。
    • transa (bool)：是否转置 lhs。
    • transb (bool)：是否转置 rhs。
  • 返回：C：结果张量。
  • 返回类型：Tensor。

tvm.contrib.clong

用于在系统中调用 clang 的实用程序。

tvm.contrib.clang.find_clang(required=True)​

在系统中找到 clang。

  • 参数：required (bool)： 是否需要，如果需要编译器，则会引发运行时错误。
  • 返回：valid_list：可能路径的列表。
  • 返回类型：list of str.

此函数将首先搜索与使用 tvm 构建的主要 llvm 版本匹配的 clang。

tvm.contrib.clang.create_llvm(inputs, output=None, options=None, cc=None)​

创建 llvm 文本 ir。

  • 参数：
    • inputs (listofstr)： 输入文件名称或代码源的列表。
    • output (str,optional)：输出文件，如果没有，则创建临时文件。
    • options (list)：附加选项字符串的列表。
    • cc (str,optional)：clang 编译器，如果未指定，我们将尝试猜测匹配的 clang 版本。
  • 返回：code：生成的 llvm 文本 IR。
  • 返回类型：str。

tvm.contrib.cc

用于调用系统中的 C/C++ 编译器。

tvm.contrib.cc.get_cc()​

返回默认 C/C++ 编译器的路径。

  • 返回：out：默认 C/C++ 编译器的路径，如果未找到则为 None。
  • 返回类型： Optional[str]。

tvm.contrib.cc.create_shared(output, objects, options=None, cc=None, cwd=None, ccache_env=None)​

创建共享库。

  • 参数：
    • output (str)： 目标共享库。
    • objects (List[str])： 目标文件列表。
    • options (List[str])：附加选项字符串列表。
    • cc (Optional[str])： 编译器命令。
    • cwd (Optional[str])：当前工作目录。
    • ccache_env (Optional*[Dict[str,* str]**])：ccache 的环境变量。设置为 None 则默认禁用 ccache。

tvm.contrib.cc.create_staticlib(output, inputs, ar=None)​

创建静态库。

  • 参数：
    • output (str)： 目标共享库。
    • inputs (List[str])：输入文件列表。每个输入文件可以是对象的 tarball 或对象文件。
    • ar (Optional[str])：要使用的 ar 命令的路径。

tvm.contrib.cc.create_executable(output, objects, options=None, cc=None, cwd=None, ccache_env=None)​

创建可执行二进制文件。

  • 参数：
    • output (str)：目标可执行文件。
    • objects (List[str])： 目标文件列表。
    • options (List[str])： 附加选项字符串列表。
    • cc (Optional[str])：编译器命令。
    • cwd (Optional[str])：当前工作目录。
    • ccache_env (Optional[Dict[str, str]**])：ccache 的环境变量。设置为 None 则默认禁用 ccache。

tvm.contrib.cc.get_global_symbol_section_map(path, *, nm=None) → Dict[str, str]​

通过 nm -g 从库中获取全局符号。

  • 参数：
    • path (str)：库路径。
    • nm (str)：nm 命令的路径。
  • 返回：symbol_section_map：从定义的全局符号到其部分的映射。
  • 返回类型： Dict[str, str]。

tvm.contrib.cc.get_target_by_dump_machine(compiler)​

get_target_triple 的函子，可以使用编译器获取目标三元组。

  • 参数：compiler (Optional[str])：编译器。
  • 返回：out ： 根据编译器的 dumpmachine 选项获取目标三元组的函数。
  • 返回类型： Callable。

tvm.contrib.cc.cross_compiler(compile_func, options=None, output_format=None, get_target_triple=None, add_files=None)​

通过使用选项专门化 compile_func 来创建交叉编译器函数。

此函数可用于构建可传递给 AutoTVM 测量或 export_library 的编译函数。

  • 参数：
    • compile_func (Union[str,Callable*[[str, str, Optional[str]],None]])：执行实际编译的函数。
    • options (Optional*[List[str**]***])：附加可选字符串列表。
    • output_format (Optional[str])：库输出格式。
    • get_target_triple (Optional[Callable])：根据编译器的 dumpmachine 选项，可以定位三重函数。
    • add_files (Optional*[List[str**]***])：作为编译的一部分传递的附加对象、源、库文件的路径列表。
  • 返回：fcompile：可以传递给 export_library 的编译函数。
  • 返回类型： Callable[[str, str, Optional[str]], None]。

示例

from tvm.contrib import cc, ndk
# 使用 ARM GCC 导出
mod = build_runtime_module()
mod.export_library(path_dso,
                   fcompile=cc.cross_compiler("arm-linux-gnueabihf-gcc"))
# 针对 NDK 编译选项进行特化。
specialized_ndk = cc.cross_compiler(
    ndk.create_shared,
    ["--sysroot=/path/to/sysroot", "-shared", "-fPIC", "-lm"])
mod.export_library(path_dso, fcompile=specialized_ndk)

tvm.contrib.cublas

cuBLAS 库的外部函数接口。

tvm.contrib.cublas.matmul(lhs, rhs, transa=False, transb=False, dtype=None)​

创建一个外部操作，使用 cuBLAS 计算矩阵 A 和 rhs 的乘数。

  • 参数：
    • lhs (Tensor)：左矩阵操作数。
    • rhs (Tensor)： 右矩阵操作数。
    • transa (bool)： 是否转置 lhs。
    • transb (bool)：是否转置 rhs。
  • 返回：C：结果张量。
  • 返回类型：Tensor。

tvm.contrib.cublas.batch_matmul(lhs, rhs, transa=False, transb=False, dtype=None)​

创建一个外部操作，使用 cuBLAS 计算批量矩阵 A 和 rhs 的乘数。

  • 参数：
    • lhs (Tensor)：左矩阵操作数。
    • rhs (Tensor)：右矩阵操作数。
    • transa (bool)：是否转置 lhs。
    • transb (bool)：是否转置 rhs。
  • 返回：C：结果张量。
  • 返回类型：Tensor。

tvm.contrib.dlpack

包装函数以桥接框架，并通过 DLPack 支持 TVM。

tvm.contrib.dlpack.convert_func(tvm_func, tensor_type, to_dlpack_func)​

将一个 TVM 函数转换为能够接受来自其他框架的张量的函数，前提是该框架支持 DLPACK。

  • 参数：
    • tvm_func (Function)：构建对数组进行操作的 tvm 函数。
    • tensor_type (Type)：目标框架的张量类型。
    • to_dlpack_func (Function)：将源张量转换为 DLPACK 的函数。

tvm.contrib.dlpack.to_pytorch_func(tvm_func)​

将 tvm 函数转换为接受 PyTorch 张量的函数。

  • 参数：tvm_func (Function)：构建对数组进行操作的 tvm 函数。
  • 返回：wrapped_func：对 PyTorch 张量进行操作的包装 tvm 函数。
  • 返回类型：Function。

tvm.contrib.emcc

用于调用系统中的 emscripten 编译器。

tvm.contrib.emcc.create_tvmjs_wasm(output, objects, options=None, cc='emcc', libs=None)​

创建应该与 tvmjs 一起运行的 wasm。

  • 参数：
    • output (str)：目标共享库。
    • objects (list)：目标文件列表。
    • options (str)： 附加选项。
    • cc (str,optional)： 编译字符串。
    • libs (list)： 要添加到 wasm 中的用户定义库文件列表（例如 .bc 文件）。

tvm.contrib.miopen

MIOpen 库的外部函数接口。

tvm.contrib.miopen.conv2d_forward(x, w, stride_h=1, stride_w=1, pad_h=0, pad_w=0, dilation_h=1, dilation_w=1, conv_mode=0, data_type=1, group_count=1)​

创建一个使用 MIOpen 计算 2D 卷积的外部操作。

  • 参数：
    • x (Tensor)：输入特征图。
    • w (Tensor)：卷积权重。
    • stride_h (int)：身高步幅。
    • stride_w (int)：宽度步幅。
    • pad_h (int)： 高度垫。
    • pad_w (int)：权重垫。
    • dilation_h (int)：高度扩张。
    • dilation_w (int)：宽度扩张。
    • conv_mode (int)： 0：miopenConvolution 1：miopenTranspose。
    • data_type (int)： 0：miopenHalf（fp16）1：miopenFloat（fp32）。
    • group_count (int)：组数。
  • 返回：y：结果张量。
  • 返回类型：Tensor。

tvm.contrib.miopen.softmax(x, axis=-1)​

使用 MIOpen 计算 softmax。

  • 参数：
  • 返回：ret：结果张量。
  • 返回类型：tvm.te.Tensor。

tvm.contrib.miopen.log_softmax(x, axis=-1)​

使用 MIOpen 计算对数 softmax。

  • 参数：
    • x (tvm.te.Tensor)：输入张量。
    • axis (int)： 计算 log softmax 的轴。
  • 返回：ret：结果张量。
  • 返回类型：tvm.te.Tensor。

tvm.contrib.ndk

用于调用 NDK 编译器工具链。

tvm.contrib.ndk.create_shared(output, objects, options=None)​

创建共享库。

  • 参数：
    • output (str)：目标共享库。
    • objects (list)：目标文件列表。
    • options (listofstr,optional)：附加选项 。

tvm.contrib.ndk.create_staticlib(output, inputs)​

创建静态库：

  • 参数：
    • output (str)：目标静态库。
    • inputs (list)：目标文件或 tar 文件列表。

tvm.contrib.ndk.get_global_symbol_section_map(path, ***, nm=None) → Dict[str, str]​

通过 NDK 中的 nm -gU 从库中获取全局符号。

  • 参数：
    • path (str)：库路径。
    • nm (str)：nm 命令的路径。
  • 返回：symbol_section_map：从定义的全局符号到其部分的映射。
  • 返回类型： Dict[str, str]。

tvm.contrib.nnpack

NNPACK 库的外部函数接口。

tvm.contrib.nnpack.is_available()​

检查 NNPACK 是否可用，即 nnp_initialize() 返回 nnp_status_success。

tvm.contrib.nnpack.fully_connected_inference(lhs, rhs, nthreads=1)​

创建一个外部操作，使用 nnpack 计算 1D 张量 lhs 和 2D 张量 rhs 的完全连接。

  • 参数：
    • lhs (Tensor)：FP32 元素的 lhs 1D 数组输入[input_channels]。
    • rhs (Tensor)：FP32 元素的 lhs 二维矩阵核[输出通道][输入通道]。
  • 返回：C：FP32 元素的 lhs 1D 数组 out[output_channels]。
  • 返回类型：Tensor。

tvm.contrib.nnpack.convolution_inference(data, kernel, bias, padding, stride, nthreads=1, algorithm=0)​

创建一个外部操作，使用 nnpack 对 4D 张量数据和 4D 张量核以及 1D 张量偏差进行推理卷积。

  • 参数：
    • data (Tensor)：FP32 元素的数据 4D 张量输入[batch][input_channels][input_height][input_width]。
    • kernel (Tensor)： FP32 元素的内核 4D 张量 kernel[output_channels][input_channels][kernel_height] [kernel_width]。
    • bias (Tensor)：FP32 元素的偏差 1D 数组偏差[output_channels][input_channels][kernel_height] [kernel_width]。
    • padding (list)：padding 一个 4 维列表，包含 [pad_top、pad_bottom、pad_left、pad_right]，表示特征图周围的填充。
    • stride (list)：步幅 [stride_height，stride_width] 的 2 维列表，表示步幅。
  • 返回：output：FP32 元素的输出 4D 张量输出[batch][output_channels][output_height][output_width]。
  • 返回类型：Tensor。

tvm.contrib.nnpack.convolution_inference_without_weight_transform(data, transformed_kernel, bias, padding, stride, nthreads=1, algorithm=0)​

创建一个外部操作，使用 nnpack 对 4D 张量数据和 4D 预转换张量核和 1D 张量偏差进行推理卷积。

  • 参数：
    • data (Tensor)： FP32 元素的数据 4D 张量输入[batch][input_channels][input_height][input_width]。
    • transformed_kernel (Tensor)：transformed_kernel 4D 张量 kernel[output_channels][input_channels][tile] [tile] 由 FP32 元素组成。
    • bias (Tensor)：FP32 元素的偏差 1D 数组偏差[output_channels][input_channels][kernel_height] [kernel_width]。
    • padding (list)： padding 一个 4 维列表，包含 [pad_top、pad_bottom、pad_left、pad_right]，表示特征图周围的填充。
    • stride (list)：步幅 [stride_height，stride_width] 的 2 维列表，表示步幅。
  • 返回：output：FP32 元素的输出 4D 张量输出[batch][output_channels][output_height][output_width]。
  • 返回类型：Tensor。

tvm.contrib.nnpack.convolution_inference_weight_transform(kernel, nthreads=1, algorithm=0, dtype='float32')​

创建一个外部操作，使用 nnpack 对 3D 张量数据和 4D 张量核以及 1D 张量偏差进行推理卷积。

  • 参数：kernel (Tensor)： FP32 元素的内核 4D 张量 kernel[output_channels][input_channels][kernel_height] [kernel_width]。
  • 返回：output：FP32 元素的输出 4D 张量输出[output_channels][input_channels][tile][tile]。
  • 返回类型：Tensor。

tvm.contrib.nvcc

在系统中调用 nvcc 编译器的实用程序。

tvm.contrib.nvcc.compile_cuda(code, target_format=None, arch=None, options=None, path_target=None)​

使用 NVCC 从 env 编译 cuda 代码。

tvm.contrib.nvcc.find_cuda_path()​

查找 cuda 路径的实用函数

  • 返回：path：cuda 根的路径。
  • 返回类型：str。

tvm.contrib.nvcc.get_cuda_version(cuda_path=None)​

获取 cuda 版本的实用函数

  • 参数：cuda_path (Optional[str])：cuda 根路径。如果未指定，则 默认使用 find_cuda_path() 。
  • 返回：version：cuda 版本。
  • 返回类型：float。

tvm.contrib.nvcc.find_nvshmem_paths() → Tuple[str, str]​

搜索 NVSHMEM 包含和库目录。:returns: 包含包含目录和库目录路径的元组。

  • 返回类型： 一个元组，包含头文件目录路径和库目录路径。

tvm.contrib.nvcc.parse_compute_version(compute_version)​

解析计算能力字符串以划分主版本和次版本。

  • 参数：
    • compute_version (str)：GPU 的计算能力（例如“6.0”）。
  • 返回：
    • major (int)：主版本号。
    • minor (int)： 次要版本号。

tvm.contrib.nvcc.have_fp16(compute_version)​

计算功能中是否提供 fp16 支持。

  • 参数:compute_version (str)：GPU 的计算能力（例如“6.0”）。

tvm.contrib.nvcc.have_int8(compute_version)​

计算功能中是否提供 int8 支持。

  • 参数:compute_version (str)：GPU 的计算能力（例如“6.1”）。

tvm.contrib.nvcc.have_tensorcore(compute_version=None, target=None)​

计算功能中是否提供 TensorCore 支持。

  • 参数：
    • compute_version (str,optional)：GPU 的计算能力（例如“7.0”）。
    • target (tvm.target.Target,optional)*：*编译目标，如果未指定 compute_version，则将用于确定 arch。

tvm.contrib.nvcc.have_cudagraph()​

提供 CUDA Graph 支持。

tvm.contrib.pickle_memoize

通过 pickle 记忆函数的结果，用于缓存测试用例。

class tvm.contrib.pickle_memoize.Cache(key, save_at_exit)​

用于结果缓存的缓存对象。

  • 参数：
    • key (str)：函数的文件键。
    • save_at_exit (bool)：程序退出时是否保存缓存到文件。

property cache​

返回缓存，首次使用时初始化。

tvm.contrib.pickle_memoize.memoize(key, save_at_exit=False)​

记住函数的结果并多次重复使用。

  • 参数：
    • key (str)：文件的唯一键。
    • save_at_exit (bool)：程序退出时是否保存缓存到文件。
  • 返回：fmemoize：执行记忆的装饰函数。
  • 返回类型： function。

tvm.contrib.random

随机库的外部函数接口。

tvm.contrib.random.randint(low, high, size, dtype='int32')​

返回从低（含）到高（不含）的随机整数。返回指定数据类型在「半开」区间 [low, high] 内服从「离散均匀」分布的随机整数。

  • 参数：
    • low (int)：从分布中抽取的最低（有符号）整数。
    • high (int)：从分布中抽取的最大（有符号）整数的上一个。
  • 返回：out ： 具有指定大小和 dtype 的张量。
  • 返回类型：Tensor。

tvm.contrib.random.uniform(low, high, size)​

从均匀分布中抽取样本。

样本在半开区间 [低, 高) 内均匀分布（包含低，但不包括高）。换句话说，给定区间内的任何值都有同等的可能性被均匀分布。

  • 参数：
    • low (float)：输出间隔的下边界。所有生成的值都将大于或等于 low。
    • high (float)：输出间隔的上限。所有生成的值都将小于 high。
    • size (tupleofints)：输出形状。如果给定形状为 (m, n, k)，则绘制 m * n * k 个样本。
  • 返回：out：具有指定大小和 dtype 的张量。
  • 返回类型：Tensor。

tvm.contrib.random.normal(loc, scale, size)​

从正态分布中抽取样本。

从正态分布中返回随机样本。

  • 参数：
    • loc (float)： 分布的 loc。
    • scale (float)：分布的标准差。
    • size (tupleofints)：输出形状。如果给定形状为 (m, n, k)，则绘制 m * n * k 个样本。
  • 返回：out：具有指定大小和 dtype 的张量。
  • 返回类型：Tensor。

tvm.contrib.rocblas

rocBLAS 库的外部函数接口。

tvm.contrib.rocblas.matmul(lhs, rhs, transa=False, transb=False)​

创建一个外部操作，使用 rocBLAS 计算 A 和 rhs 的矩阵乘法。

  • 参数：
    • lhs (Tensor)：左矩阵操作数。
    • rhs (Tensor)：右矩阵操作数。
    • transa (bool)：是否转置 lhs。
    • transb (bool)：是否转置 rhs。
  • 返回：C：结果张量。
  • 返回类型：Tensor。

tvm.contrib.rocblas.batch_matmul(lhs, rhs, transa=False, transb=False)​

创建一个外部操作，使用 rocBLAS 计算 A 和 rhs 的矩阵乘法。

  • 参数：
    • lhs (Tensor)：左批处理矩阵操作数。
    • rhs (Tensor)：右批处理矩阵操作数。
    • transa (bool)： 是否转置 lhs。
    • transb (bool)：是否转置 rhs。
  • 返回：C：结果张量。
  • 返回类型：Tensor。

tvm.contrib.rocm

ROCm 后端实用程序。

tvm.contrib.rocm.find_lld(required=True)​

在系统中查找 ld.lld。

  • 参数：required (bool)： 是否需要，如果需要编译器，则会引发运行时错误。
  • 返回：valid_list：可能路径的列表。
  • 返回类型：list of str。

此函数将首先搜索与使用 tvm 构建的主要 llvm 版本匹配的 ld.lld

tvm.contrib.rocm.rocm_link(in_file, out_file, lld=None)​

使用 lld 将可重定位 ELF 对象链接到共享 ELF 对象。

  • 参数：
    • in_file (str)： 输入文件名（可重定位 ELF 目标文件）。
    • out_file (str)： 输出文件名（共享 ELF 目标文件）。
    • lld (str,optional)：lld 链接器，如果未指定，我们将尝试猜测匹配的 clang 版本。

tvm.contrib.rocm.parse_compute_version(compute_version)​

解析计算能力字符串以划分主版本和次版本。

  • 参数：compute_version (str)：GPU 的计算能力（例如“6.0”）。
  • 返回：
    • major (int)：主版本号。
    • minor (int)：次要版本号。

tvm.contrib.rocm.have_matrixcore(compute_version=None)​

计算能力中提供 MatrixCore 支持，或不提供。

  • 参数：compute_version (str,optional)： GPU 的计算能力（例如“7.0”）。
  • 返回:have_matrixcore： 如果提供 MatrixCore 支持则为 True，否则为 False
  • 返回类型：bool。

tvm.contrib.rocm.find_rocm_path()​

查找 ROCm 路径的实用函数。

  • 返回：path： ROCm 根的路径。
  • 返回类型：str。

tvm.contrib.spirv

与 SPIRV 工具交互的实用程序。

tvm.contrib.spirv.optimize(spv_bin)​

通过 CLI 使用 spirv-opt 优化 SPIRV。

请注意，spirv-opt 仍处于实验阶段。

  • 参数：spv_bin (bytearray)：spirv 文件。
  • 返回：cobj_bin：HSA 代码对象。
  • 返回类型：bytearray。

tvm.contrib.tar

用于在系统中调用 tarball 的实用程序。

tvm.contrib.tar.tar(output, files)​

创建包含根目录中所有文件的 tarball。

  • 参数：
    • output (str)：目标共享库。
    • files (list)：要捆绑的文件列表。

tvm.contrib.tar.untar(tar_file, directory)​

将所有 tar 文件解压到目录中。

  • 参数：
    • tar_file (str)：源 tar 文件。
    • directory (str)：目标目录

tvm.contrib.tar.normalize_file_list_by_unpacking_tars(temp, file_list)​

通过解压列表中的 tar 文件来规范化文件列表。

当文件名为 tar 文件时，它会将其解压到 temp 中的一个唯一目录中，并返回 tar 文件中的文件列表。当文件名为普通文件时，它会被直接添加到列表中。

这对于解压 tar 中的对象然后将其转换为库很有用。

  • 参数：
  • 返回：ret_list：更新的文件列表。
  • 返回类型： List[str]。

tvm.contrib.utils

常用系统实用程序。

exception tvm.contrib.utils.DirectoryCreatedPastAtExit​

在 atexit 钩子运行后创建 TempDirectory 时引发。

class tvm.contrib.utils.TempDirectory(custom_path=None, keep_for_debug=None)​

用于在测试期间管理临时目录的辅助对象。

当目录超出范围时自动删除该目录。

classmethod set_keep_for_debug(set_to=True)​

保留程序退出后的临时目录以进行调试。

remove()​

删除 tmp 目录。

relpath(name)​

临时目录中的相对路径。

  • 参数：name (str)：文件的名称。
  • 返回：path：连接路径。
  • 返回类型：str。

listdir()​

列出目录中的内容。

  • 返回：names：目录的内容。
  • 返回类型：list。

tvm.contrib.utils.tempdir(custom_path=None, keep_for_debug=None)​

创建临时目录，退出时删除其内容。

  • 参数：
    • custom_path (str,optional)：手动指定准确的临时目录路径。
    • keep_for_debug (bool)：保留临时目录以用于调试目的。
  • 返回：temp：临时目录对象。
  • 返回类型：TempDirectory。

class tvm.contrib.utils.FileLock(path)​

文件锁对象。

  • 参数：path (str)：锁的路径。

release()​

解除锁定。

tvm.contrib.utils.filelock(path)​

创建一个锁定路径的文件锁。

  • 参数：path (str)： 锁的路径。
  • 返回：lock。
  • 返回类型： File lock object。

tvm.contrib.utils.is_source_path(path)​

检查路径是否是源代码路径。

  • 参数：path (str)：可能的路径。
  • 返回：valid：路径是否是可能的源路径。
  • 返回类型：bool。

tvm.contrib.utils.which(exec_name)​

尝试查找 exec_name 的完整路径。

  • 参数：exec_name (str)：可执行文件名称。
  • 返回：path：如果找到则返回可执行文件的完整路径，否则返回 None。
  • 返回类型：str。

tvm.contrib.xcode

调用 Xcode 编译器工具链的实用程序

tvm.contrib.xcode.xcrun(cmd)​

运行 xcrun 并返回输出。

  • 参数：cmd (listofstr)：命令序列。
  • 返回：out*：*输出字符串。
  • 返回类型：str。

tvm.contrib.xcode.create_dylib(output, objects, arch, sdk='macosx', min_os_version=None)​

创建动态库。

  • 参数：
    • output (str)：目标共享库。
    • objects (list)：目标文件列表。
    • options (str)：附加选项。
    • arch (str)：目标主要架构。
    • sdk (str)：要使用的 sdk。

tvm.contrib.xcode.compile_metal(code, path_target=None, sdk='macosx', min_os_version=None)​

使用 CLI 工具从环境中编译金属。

  • 参数：
    • code (str)：cuda 代码。
    • path_target (str,optional)：输出文件。
    • sdk (str,optional)：目标平台 SDK。
  • 返回：metallib：metallib 的字节数组。
  • 返回类型：bytearray。

tvm.contrib.xcode.compile_coreml(model, model_name='main', out_dir='.')​

编译 coreml 模型，并返回编译后的模型路径。

编辑此页
最后由 wenjing-user 于 更新