OpenVINO 是intel针对intel的各硬件（CPU、Moviduis等）在 deployment 环节（inference）进行的性能优化的软件；
TensorRT 是NVIDIA针对NVIDIA GPU在 deployment 环节（inference）进行的性能优化的软件；
deployment 指的是如何将深度学习的模型跑在各种硬件平台上。
TVM 出现的动机：因为深度学习中ASIC芯片的设计并不是难事，但由于深度学习中新硬件的出现，如TPU、NPU等，需要重写这些芯片的上层整个软件栈，比如指令性、主流的深度学习框架等，这是繁琐复杂的工程。
TVM Stack Goal：针对各种CPU、GPU和ASIC等深度学习加速器，开发全栈的深度学习编译器 （从硬件到最终的软件框架）。
上层用户的视角：TVM frontend 前端拿到不同框架的模型后，通过 TVM 编译器编译出 TVM 的模型，然后就能跑在不同的设备上。
为什么这是一件难事：（1）需要与手动优化库进行竞争，TVM 采用的方案是自动优化的方法要比手动的还好（2）需要有前沿的全栈的优化研究 TensorFlow中的XLA主要是对TPU进行的优化，所以一般在GPU上是拼不过cuDNN的。 JIT
TVM Overview 综述
（1）High-level optimization：Computational Graph Optimization，包括 operater fusion（layer fusion、tensor fusion）、memory plan、data layout transform (nchw/nhwc等哪种是最优)等，但图优化需要针对每一种硬件、不同的data layout、不同的数据精度、线程模型等都进行优化操作，但这是相当繁琐的事，所以出现了第二层和第三层。
（2）Tensor Expression Language：主要做的事是描述tensor的计算，使得计算可以使用特殊的操作，比如AVX、TPU指令等。解决不同硬件的差异。
（3）Schedule Optimization Space：整理和总结目前所有的手动优化方案，并放入这个可以供 TVM 进行调度的优化库中。解决data layout、数据精度、线程模型等问题。所以这个搜索空间就包括了所有的手动优化方案，但这个方案的体量是很庞大的，如 1 billion。如何在这个庞大的优化库中搜索到最优的实现，就出现了第四层。 为什么机器优化的方法会比人手动优化的更快？因为机器可以尝试所有的优化方案，而人的优化时间是有限的，不能尝试很多的优化方法。
（4）AutoTVM，Optimize Tensor Operators using Learning：最大的问题是不可能将庞大的优化方法都试一遍，所以通过机器学习的方式，一开始需要将你的模型放在目标设备上进行测试跑分，然后通过优化空间中不同的优化方法对这个模型进行优化后，再次在设备上跑分，得到了优化方法与优化结果的数据，并由此建立一个cost model，用于评估优化方法与优化结果之间的关系，所以最终可以从这个模型中得到最优的优化方法。目前可以查看 AutoTVM API 得到 TVM 的优化方法。最后是模型针对的硬件，如何集成入TVM？ TVM RPC：通过远程调用的方式，将你的模型部署到远程目标板或集群上，进行远程调试，如手机。
（5）VTA：开源的硬件加速器栈，包括VTA JIT runtime（实时生成的指令能与进行TVM通信）、VTA ISA、VTA Micro-Architecture以及各硬件，如FPGA等。 查看 tvm 的 discusss 和 roadmap
当前的TVM只支持inference，在今天2019年9月之后会加入training的相关。
Step 1：TVM 视频介绍
https://www.bilibili.com/video/av29521815/
Step 2：研读 TVM 论文
原文：https://www.usenix.org/system/files/osdi18-chen.pdf 翻译：https://zhuanlan.zhihu.com/p/79796618 扩展：https://blog.csdn.net/sanallen/article/details/79402174
Step 3：了解 TVM 官网中可以学习的资料
Step 4：上手 TVM Code
Step 5：TVM 其他相关资料
TVM 讨论：https://discuss.tvm.ai/ CSE 599W Systems for ML：http://jcf94.com/2018/10/04/2018-10-04-cse559w/ 其他介绍：https://daiwk.github.io/posts/platform-TVM.html 陈天奇介绍：https://xmfbit.github.io/2019/06/29/tvm-helloworld/ 陈天奇介绍：https://www.qbitai.com/2019/07/5390.html 知乎评论：https://www.zhihu.com/question/268423574
