ai编译器

胡乱儿起个名

Relay算子注册（在pytorch.py端调用）路径: src/relay/op/nn/nn.cc路径: src/relay/op/nn/activation.cc

胡乱儿起个名

PrimExpr 与 RelayExpr 的区别在 TVM 的表达式系统中，PrimExpr 和 RelayExpr 是两种不同层级的表达式类型，分别服务于 TVM 的不同编译阶段和目标场景。以下是它们的核心区别和关联：

胡乱儿起个名

Relay IR的核心数据结构在 Apache TVM 的 Relay IR 中，基础节点（Var、Const、Call、Function 和 Expr）是构建计算图的核心数据结构。以下是对它们的详细解析，包括定义、作用、内部组成及相互关系：

胡乱儿起个名

《Relay IR的基石：expr.h 中的表达式类型系统剖析》在TVM的Relay IR中，即使是看似简单的常量表达式relay.const(1)，其背后也隐藏着整个类型系统的精妙设计。让我们从include/tvm/relay/expr.h中的Constant类入手，逐步拆解…"

iree 编译流程(1)IREE 目前支持将 MHLO 或 XLA、Torch Tensor 和 TOSA 作为输入，经过一系列 passes 编译生成 IREE 定义的 VM bytecode 中间产物，其中硬件相关代码会编译成相应的 Executable，保存在 VM bytecode 中供 host 进行调用。例如 CUDA 相关的计算代码会被lower 成 PTX 代码，在 IREE 的 runtime 中再被 CUDA 的 runtime 以 JIT 的方式编译成可执行的 cubin kernel。

AI编译器的后端优化策略工作领域是AI芯片工具链相关，很多相关知识的概念都是跟着项目成长建立起来，但是比较整个技术体系在脑海中都不太系统，比如项目参与中涉及到了很多AI编译器开发相关内容，东西比较零碎，工作中也没有太多时间去做复盘与查漏补缺。但是最近比较闲，发现了一个宝藏级的B站博主，系统的讲了很多AI芯片领域的知识，并把课程资源开源维护，极力推荐大家多多关注。在这里当个搬运工，传播一下。