tvm学习笔记(六):数据类型及形状

2023-12-23 10:48

本文主要是介绍tvm学习笔记(六):数据类型及形状,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

据说tvm会支持训练,然后沐神他们为了推广tvm,专门对tvm重写了文档d2l-tvm,具体详见资料[1],下面就是对着沐神他们写的文档做的学习记录:

1.tvm的数据类型

我们在声明placeholder的时候,可以显式的指定数据的类型,如:'float16', 'float64', 'int8','int16', 'int64'等

import tvm
A = tvm.placeholder((n,), dtype='float32')
print(A.dtype)
B = tvm.placeholder((n,), dtype='int8')
print(B.dtype)

结果如下:

下面来看一下,如何使用tvm来定义两个向量相加的运算:

首先声明两个占位符A和B,并指定他们的shape:

A = tvm.placeholder((n,), dtype=dtype)
A = tvm.placeholder((n,), dtype=dtype)

然后使用使用tvm.compute定义C的计算,并使用lambda函数来指定输出C中每个元素的计算方式:

C = tvm.compute(A.shape, lambda i: A[i] + B[i])

其次,我们需要指定如何来执行程序,如,数据访问顺序及如何进行多线程并行计算,这样一个执行设计称之为一个schedule,C为输出,下面使用tvm.create_schedule就对C的操作创建一个默认的schedule:

s = tvm.create_schedule(C.op)

后面可以看到如何通过改变执行设计来更好的利用硬件资源,进而提升执行效率。这里,我们可以使用tvm.lower操作,打印一下当前默认执行设计:

tvm.lower(s, [A, B, C], simple_mode=True)

可以得到:

最后,使用tvm.build操作将定义好的计算和设计编译成可执行模块:

module = tvm.build(s, [A, B, C])

将上面的代码连在一起,就是使用tvm来创建两个向量相加的函数:

import tvm
import numpy as npn = 100# Defined in file: ./chapter_expression/vector_add.md
def eval_mod(mod, *inputs, out):"""Evaluate a TVM module, and save results in out."""# Convert all numpy arrays to tvm arraystvm_args = [tvm.nd.array(x) if isinstance(x, np.ndarray) else x for x in inputs + (out,)]mod(*tvm_args)# If out is a tvm array, then its value has already been inplaced. # Otherwise, explicitly copy the results. if isinstance(out, np.ndarray):np.copyto(out, tvm_args[-1].asnumpy())def tvm_vector_add(dtype):A = tvm.placeholder((n,), dtype=dtype)B = tvm.placeholder((n,), dtype=dtype)C = tvm.compute(A.shape, lambda i: A[i] + B[i])s = tvm.create_schedule(C.op)return tvm.build(s, [A, B, C])mod = tvm_vector_add('int32')def test_mod(mod, dtype):# you can use astype to convert data typea, b = (np.random.normal(size=100).astype(dtype) for _ in range(2))c = np.empty(100, dtype=dtype)eval_mod(mod, a, b, out=c)print("data type of c: {}".format(c.dtype))np.testing.assert_equal(c, a + b)test_mod(mod, 'int32')for dtype in ['float16', 'float64', 'int8', 'int16', 'int64']:mod = tvm_vector_add(dtype)test_mod(mod, dtype)

运行效果如下:

2.变化形状

在定义计算时,可能对于输入的形状是未知的,可以通过tvm.var定义一个变量来指定形状,然后在具体调用时,传入具体值即可,如对于定义A、B、C三个占位符时,如果不知道输入的维度,可以使用变量n来创建任意长度数组:

n = tvm.var(name='n')
print(type(n), n.dtype)A = tvm.placeholder((n,), name='a')
B = tvm.placeholder((n,), name='b')
C = tvm.compute(A.shape, lambda i: A[i] + B[i])
s = tvm.create_schedule(C.op)
mod = tvm.build(s, [A, B, C])

在调用时,传入数组长度:

def test_mod(mod, size):a, b = (np.random.normal(size=size).astype('float32') for _ in range(2))c = np.empty(size, dtype='float32')print("c shape: {}".format(c.shape))eval_mod(mod, a, b, out=c)np.testing.assert_equal(c, a + b)

完整代码如下:

import numpy as np
import tvm# Defined in file: ./chapter_expression/vector_add.md
def eval_mod(mod, *inputs, out):"""Evaluate a TVM module, and save results in out."""# Convert all numpy arrays to tvm arraystvm_args = [tvm.nd.array(x) if isinstance(x, np.ndarray) else x for x in inputs + (out,)]mod(*tvm_args)# If out is a tvm array, then its value has already been inplaced. # Otherwise, explicitly copy the results. if isinstance(out, np.ndarray):np.copyto(out, tvm_args[-1].asnumpy())n = tvm.var(name='n')
print(type(n), n.dtype)A = tvm.placeholder((n,), name='a')
B = tvm.placeholder((n,), name='b')
C = tvm.compute(A.shape, lambda i: A[i] + B[i])
s = tvm.create_schedule(C.op)
tvm.lower(s, [A, B, C], simple_mode=True)def test_mod(mod, size):a, b = (np.random.normal(size=size).astype('float32') for _ in range(2))c = np.empty(size, dtype='float32')print("c shape: {}".format(c.shape))eval_mod(mod, a, b, out=c)np.testing.assert_equal(c, a + b)mod = tvm.build(s, [A, B, C])
test_mod(mod, 5)
test_mod(mod, 1000)def tvm_vector_add(ndim):A = tvm.placeholder([tvm.var() for _ in range(ndim)])B = tvm.placeholder(A.shape)C = tvm.compute(A.shape, lambda *i: A[i] + B[i])s = tvm.create_schedule(C.op)return tvm.build(s, [A, B, C])mod = tvm_vector_add(2)
test_mod(mod, (2, 2))mod = tvm_vector_add(4)
test_mod(mod, (2, 3, 4, 5))

运行结果如下:

3.矩阵转置

 

参考资料:

[1] https://github.com/d2l-ai/d2l-tvm

[2] http://tvm.d2l.ai.s3-website-us-west-2.amazonaws.com/

这篇关于tvm学习笔记(六):数据类型及形状的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/527756

相关文章

C语言中的数据类型强制转换

《C语言中的数据类型强制转换》:本文主要介绍C语言中的数据类型强制转换方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C语言数据类型强制转换自动转换强制转换类型总结C语言数据类型强制转换强制类型转换:是通过类型转换运算来实现的,主要的数据类型转换分为自动转换

Redis中的常用的五种数据类型详解

《Redis中的常用的五种数据类型详解》:本文主要介绍Redis中的常用的五种数据类型详解,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Redis常用的五种数据类型一、字符串(String)简介常用命令应用场景二、哈希(Hash)简介常用命令应用场景三、列表(L

python多种数据类型输出为Excel文件

《python多种数据类型输出为Excel文件》本文主要介绍了将Python中的列表、元组、字典和集合等数据类型输出到Excel文件中,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参... 目录一.列表List二.字典dict三.集合set四.元组tuplepython中的列表、元组、字典

Java进阶学习之如何开启远程调式

《Java进阶学习之如何开启远程调式》Java开发中的远程调试是一项至关重要的技能,特别是在处理生产环境的问题或者协作开发时,:本文主要介绍Java进阶学习之如何开启远程调式的相关资料,需要的朋友... 目录概述Java远程调试的开启与底层原理开启Java远程调试底层原理JVM参数总结&nbsMbKKXJx

Java深度学习库DJL实现Python的NumPy方式

《Java深度学习库DJL实现Python的NumPy方式》本文介绍了DJL库的背景和基本功能,包括NDArray的创建、数学运算、数据获取和设置等,同时,还展示了如何使用NDArray进行数据预处理... 目录1 NDArray 的背景介绍1.1 架构2 JavaDJL使用2.1 安装DJL2.2 基本操

Rust 数据类型详解

《Rust数据类型详解》本文介绍了Rust编程语言中的标量类型和复合类型,标量类型包括整数、浮点数、布尔和字符,而复合类型则包括元组和数组,标量类型用于表示单个值,具有不同的表示和范围,本文介绍的非... 目录一、标量类型(Scalar Types)1. 整数类型(Integer Types)1.1 整数字

HarmonyOS学习(七)——UI(五)常用布局总结

自适应布局 1.1、线性布局(LinearLayout) 通过线性容器Row和Column实现线性布局。Column容器内的子组件按照垂直方向排列,Row组件中的子组件按照水平方向排列。 属性说明space通过space参数设置主轴上子组件的间距,达到各子组件在排列上的等间距效果alignItems设置子组件在交叉轴上的对齐方式,且在各类尺寸屏幕上表现一致,其中交叉轴为垂直时,取值为Vert

Ilya-AI分享的他在OpenAI学习到的15个提示工程技巧

Ilya(不是本人,claude AI)在社交媒体上分享了他在OpenAI学习到的15个Prompt撰写技巧。 以下是详细的内容: 提示精确化:在编写提示时,力求表达清晰准确。清楚地阐述任务需求和概念定义至关重要。例:不用"分析文本",而用"判断这段话的情感倾向:积极、消极还是中性"。 快速迭代:善于快速连续调整提示。熟练的提示工程师能够灵活地进行多轮优化。例:从"总结文章"到"用

【前端学习】AntV G6-08 深入图形与图形分组、自定义节点、节点动画(下)

【课程链接】 AntV G6:深入图形与图形分组、自定义节点、节点动画(下)_哔哩哔哩_bilibili 本章十吾老师讲解了一个复杂的自定义节点中,应该怎样去计算和绘制图形,如何给一个图形制作不间断的动画,以及在鼠标事件之后产生动画。(有点难,需要好好理解) <!DOCTYPE html><html><head><meta charset="UTF-8"><title>06

学习hash总结

2014/1/29/   最近刚开始学hash,名字很陌生,但是hash的思想却很熟悉,以前早就做过此类的题,但是不知道这就是hash思想而已,说白了hash就是一个映射,往往灵活利用数组的下标来实现算法,hash的作用:1、判重;2、统计次数;