我也维护了一个cuda学习仓库 https://github.com/BBuf/how-to-optim-algorithm-in-cuda 以及一个如何学习深度学习框架（PyTorch和OneFlow）的学习仓库，https://github.com/BBuf/how-to-learn-deep-learning-framework , 有需要的小伙伴可以点一点star
schedulerTVM 中 scheduler 详细举例，这里将 https://zhuanlan.zhihu.com/p/94846767 这篇文章的例子用TVM 0.8.0.dev 重写。dataflow_controlflow数据流和控制流的区别示例，这里是Pytorch为例子。paper_reading编译器方面的一些论文阅读，如 PET / Ansor/ MLIR 等。relayTVM 中一些 Relay 相关的示例，比如如何自定义 Pass，如何在 Jetson Nano 中运行DarkNet的YOLO模型等。codegenTVM 中 Codegen 相关示例，基于张量表达式和Relay IR。torchscriptPytorch的TorchScript的用法。- compile_tvm_in_docker.md 。在Docker中编译TVM。
tvm_pytorch_resnet18_inference.py使用 TVM 在 X86 CPU 上运行 Pytorch 的 ResNet18 模型。tvm_onnx_resnet18_inferentaicce.pyTVM 加载 ResNet18 的 ONNX 模型进行推理。pytorch_resnet18_export_onnx.pyPytorch 导出 ResNet18 的 ONNX 模型示例。optimize_gemm让深度学习编译器来指导我们写代码，以GEMM为例。
- What Is MLIR && What Is TVM？
- TVM Conf 2020 - An Introduction to TVM Part1
- TVM Conf 2020 - An Introduction to TVM Part2
- Torch MLIR公开会议翻译视频（自制中英双字完整版）
- TVM命令行驱动程序 视频教程
- 基于 MLIR 完成对 GEMM 的编译优化 中英视频上，中部分
- TVM TensorIR 视频讲解（熟肉）
- What Is LLVM?
- How To Install LLVM？
- Running the LLVM Tools
- LLVM IR介绍
LLVM 系列视频对应的源码在：https://github.com/lac-dcc/llvm-course
LLVM相关的视频比较少，youtube上比较多，上面 GiantPandaCV 翻译的几期 LLVM 入门视频也是来源于 youtube，大家可以自行查找学习。
- 人工智能编译器MLIR-官方入门教程讲解
- MLIR Toy Tutorial概述
- MLIR & python binding简介
- [MLIR] 使用MLIR完成一个端到端的编译流程
- TPU-MLIR系列讲解(一)：AI编译器是啥？
- TPU-MLIR系列讲解(二)：TPU-MLIR简介
- TPU-MLIR系列讲解（三）：MLIR语法介绍（上）
- TPU-MLIR系列讲解（四）：MLIR语法介绍（中）
- TPU-MLIR系列讲解（五）：MLIR语法介绍（下）
- TPU-MLIR系列讲解（六）：前端转换
- TPU-MLIR系列讲解（七）：MLIR- Dialect Conversion
- TPU-MLIR系列讲解（八）：Lowering in TPU-MLIR
- TPU-MLIR系列讲解（九）：量化概述
- TPU-MLIR系列讲解（十）：量化推导
- TPU-MLIR系列讲解（十一）：量化校准
- TPU-MLIR系列讲解（十二）：量化感知训练
- TPU-MLIR系列讲解（十三）：精度验证
- TPU-MLIR系列讲解（十四）：Pattern Rewriting
- TPU-MLIR系列讲解（十五）：模型适配
- TPU-MLIR系列讲解（十六）：图优化
- ep17 | TPU-MLIR Introduction ：To ONNX Format
- Ep18 TPU Memory
- Ep19 TPU Memory (2)
- Ep20 Add a New Operator
- Ep21 fuse prepocess 【AI编译器】
- ep1｜TPU-MLIR Introduction AI Compiler
- TPU-MLIR Ep2 TPU-MLIR Overview
- TPU-MLIR Ep3 MLIR Brief Intro
- AI框架源码走读：tpu-mlir（一）
- AI框架源码走读：tpu-mlir（二）
- AI框架源码走读：tpu-mlir（三）
- TPU-MLIR线上分享会（一）：论文讲解
- MegCC 用模型编译的方式实现超轻量端上高性能推理
- 动态shape深度学习编译器论文分享：DISC
- 陈天奇 机器学习课程
- AI-Compiler科普——TVM的使用讲解
- TVM流程梳理
- TVM-Realy流程梳理
- AI编译器后端优化介绍
- 算子的计算和调度
- 算子优化的手工方式
- 算子循环优化
- 指令和存储优化
- Auto Tuning原理
- TVM简介
- TVM自动调度算法AutoTVM
- ANSOR：为深度学习生成高性能张量程序
- TVM 编译流程与中间表示分析（一）
- TVM 编译流程与中间表示分析（二）
- TVM 学习指南（个人版）
- 白杨：TVM源语-Compute篇
- MLSys 15-884: Course Introduction
- OSDI 2021 PET 论文解读（代码生成相关工作）
- Buddy-MLIR 项目详解（入门 MLIR 极佳选择）
- 【社区实践】为 TVM 新增 OneFlow 前端
- 【TVM 三代优化巡礼】在X86上将普通的矩阵乘法算子提速90倍
- 【论文解读】基于MLIR生成矩阵乘法的高性能GPU代码，性能持平cuBLAS
- 【从零开始学深度学习编译器】二十，MLIR的Pattern Rewrite机制
- 【从零开始学深度学习编译器】十九，MLIR的Pass机制实践
- MLIR：摩尔定律终结的编译器基础结构 论文解读
- 【从零开始学深度学习编译器】十八，MLIR中的Interfaces
- 【用沐神的方法阅读PyTorch FX论文】
- 【以OneFlow为例探索MLIR的实际开发流程】
- 【从零开始学深度学习编译器】十七，MLIR ODS要点总结下篇
- 【从零开始学深度学习编译器】十六，MLIR ODS要点总结上篇
- 【从零开始学深度学习编译器】十五，MLIR Toy Tutorials学习笔记之Lowering到LLVM IR
- 【从零开始学深度学习编译器】十四，MLIR Toy Tutorials学习笔记之部分Lowering
- 【从零开始学深度学习编译器】十三，如何在MLIR里面写Pass？
- 【从零开始学深度学习编译器】十二，MLIR Toy Tutorials学习笔记一
- 【从零开始学深度学习编译器】十一，初识MLIR
- 可以让深度学习编译器来指导算子优化吗
- 【从零开始学深度学习编译器】十，TVM的整体把握
- Ansor论文阅读笔记&&论文翻译
- 【从零开始学深度学习编译器】九，TVM的CodeGen流程
- 【从零开始学深度学习编译器】番外二，在Jetson Nano上玩TVM
- 【从零开始学深度学习编译器】八，TVM的算符融合以及如何使用TVM Pass Infra自定义Pass
- 【从零开始学深度学习编译器】七，万字长文入门TVM Pass
- 【从零开始学深度学习编译器】六，TVM的编译流程详解
- 【从零开始学深度学习编译器】五，TVM Relay以及Pass简介
- 【从零开始学深度学习编译器】番外一，Data Flow和Control Flow
- 【从零开始学深度学习编译器】四，解析TVM算子
- 【从零开始学TVM】三，基于ONNX模型结构了解TVM的前端
- 【从零开始学深度学习编译器】二，TVM中的scheduler
- 【从零开始学深度学习编译器】一，深度学习编译器及TVM 介绍
- ChatGPT和Claude 对比测试（以Review MLIR Codegen代码为例）更新官方ChatGPT的结果
- GPT4 VS Claude In MLIR
- OpenAI/Triton MLIR 第零章: 源码编译
- OpenAI/Triton MLIR 第一章: Triton DSL
- 深度学习编译器之Layerout Transform优化
- LLVM Tutorial
- miniSysY 编译实验课程，学习LLVM的中文入门资料
- 中科院 LLVM每日谈专栏
- 使用LLVM实现一门语言（一）Lexer
- 使用LLVM实现一门语言（二）Parser
- 使用LLVM实现一门语言（三）Code Generation to LLVM IR
- 使用LLVM实现一门语言（四）Optimizer
- 使用LLVM实现一门语言（五）Adding a JIT Compiler
- 使用LLVM实现一门语言（六）SSA
- 使用LLVM实现一门语言（七）Control Flow
- 使用LLVM实现一门语言（八）User-defined Operators
- 使用LLVM实现一门语言（九）Mutable Variables
- LLVM编译器之Pass添加
- CUDA 编译与 NVVM IR 笔记
- LLVM 中的循环: Loop
- GPU AtomicOptimizer In LLVM
- （二）LLVM概述——基础架构
- （三）LLVM概述——第一个LLVM项目
- 深入浅出 LLVM之 Value 、User 、Use 源码解析
- LLVM源码阅读之 BasicBlock 遍历
- Introduce MemorySSA in LLVM
- 深入浅出 LLVM之 DenseMap 源码解析
- 基于LLVM的函数运行时计时器简单PASS实现
- LLVM中指令选择的流程是啥样的？
- 写给入门者的LLVM介绍
- LLVM Techniques 读书笔记
- 【LLVM编译器系列-15】后端代码生成器-指令调度1
- [LLVM] LLVM中添加RISC-V Vector intrinsic - 2
- 深度学习编译器 TVM 代码串讲
- TVM编译流程与中间表示分析
- TVM Overview
- TVM - Relay IR计算图可视化
- TVM - 代码生成流程
- TVM/VTA代码生成流程
- tvm算子优化schedule（一）--CPU篇
- tvm算子优化schedule（二）--GPU篇
- TVM Runtime System 概述
- TVM PackedFunc实现机制
- 深入理解TVM：Python/C++互调（上）
- Round-tripping objects through the FFI
- TVM 自底向上（一）：基本框架和概念
- TVM 自底向上（二）：TIR 的概念和编译原理
- TVM 自底向上（三）：TE 的概念和编译原理
- TVM 自底向上（四）：TE/TIR Schedule 的原理
- 深入理解TVM专栏，主要是对部分codebase的解读
- tvm schedule详细举例
- TVM - 代码生成流程
- Relax: TVM 的下一代图层级 IR
- TVM之Tensor数据结构解读
- TVM之设计模式解读（一）--visitor模式
- TVM之设计模式解读（二）--责任链模式
- TVM之TIR相关数据结构
- TVM之设计模式解读（三）-单例模式,模板方法模式
- TVM之tir 转换成llvm ir
- TVM之graph_runtime
- TVM之relay.build流程解读
- TVM学习（一）
- TVM学习（二）：算符融合
- TVM学习（三）编译流程
- TVM学习（四）codegen
- TVM学习（五）schedule
- TVM学习（六）细读前端
- TVM学习（七）算子
- TVM学习（八）pass总结
- TVM学习（九）codegen中的内存申请
- TVM学习（十）从relay到TOPI
- TVM TensorIR 浅析
- TVM图编译器NNVM简单探究
- TVM图编译器Relay简单探究
- 基于TensorIR生成mma指令并实现16x16x4矩阵乘
- 基于TVM的PTX Tensor Core汇编代码生成
- 一个tvm(te)实现的cutlass efficient gemm
- TIR Script CUTLASS Efficient Gemm
- TVM系列「一」TVM概览
- TVM系列「二」TVM学习资源
- TVM系列「三」TVM官方文档的结构
- TVM系列「四」TVM的使用：compute+schedule双剑合璧
- TVM系列「五」TVM整体架构及其代码生成
- TVM系列「六」Relay IR与Relay Pass
- TVM系列「七」AutoTVM（AutoTune）
- TVM系列「八」AutoScheduler「Ansor」
- SparseTIR: TVM的稀疏算子编译抽象
- Web-LLM:机器学习编译纯浏览器运行大模型
- MLC-LLM: 在任何设备上编译运行大语言模型
- TVM和BLIS对GEMM计算/优化方式的对比
- TVM Tir 到 VTA Simulator 指令仿真的过程
- 【我与TVM二三事 中篇（5）】tvm tensorrt
- TVM Relax如何支持dynamic shape
- 【我与TVM二三事 后篇（2）】MSC之架构 && MSCGraph
- 机器学习编译器代码生成相关 MLIR Dialect
- 编译器与中间表示: LLVM IR, SPIR-V, 以及 MLIR
- MLIR Vector Dialect 以及 Patterns
- MLIR Linalg Dialect 以及 Patterns
- 向外借力：Pluto助力MLIR编译器的多面体优化
- IREE编译流程解析
- IREE编译流程解析(一)
- IREE编译流程解析(二)
- IREE编译流程解析(三)
- IREE编译流程解析(四)
- IREE编译流程解析(五)
- IREE编译流程解析(六)
- megcc 开箱评测
- 阿里 BladeDISC 深度学习编译器正式开源
- 全面支持 PyTorch 2.0：BladeDISC 5月~11月新功能发布
- 【GTC 22】通过 PAI-Blade 更方便、更鲁棒地使用 TensorRT
- LLVM后端：TableGen简易入门
- MLIR Compiler Components
- 第一篇 MLIR - Getting Started
- MLIR学习笔记(二)——Dialect定义(二)
开拓眼界...
- Glenside : 如何自动发现im2col布局转换?
- 基于Halide自动生成Kernel Fusion & Tiling
- AKG: 使用post-tiling fusion策略完成无副作用的内存优化
- [教程翻译] Polyhedral Tutorials
- 带宽受限下的DSA后端优化
- Equality Saturation优化在AI编译器中遇到的挑战
- DSA后端Compute Schedule与Buffer Schedule
- ASPLOS，我的初体验
- 读You and Your Research笔记
- [阅读笔记] AStitch @ASPLOS 2022
- [阅读笔记] RAKE @ASPLOS 2022
- [阅读笔记] NASA @ISCA 2021
- [阅读笔记] BOLT @MLSys 2022
- [阅读笔记] Alpa/Parax @OSDI 2022
- [阅读笔记] SIMD^2 ISCA 2022
- AMOS ISCA 2022
- [阅读笔记] PCCS MICRO 2021
- [阅读笔记] Planaria@MICRO 2020
- Chimera HPCA 2023
- 在MacBook Pro 2019上优化GEMM
- OSDI '20 | RAMMER (NNFusion) 如何进一步压榨加速器性能
- 算子调度优化论文分享：Rammer
- 【AI编译器】 论文阅读（二）Rammer
- TorchDynamo 初探：Python ByteCode 的动态修改
- PyTorch 2.0 Dynamo 字节码详解！自顶向下，由浅入深
- Paper阅读笔记: Welder: Scheduling Deep Learning Memory Access via Tile-graph
- [Hands-On Polyhedral] C CodeGen
- 【论文阅读】DISTAL: 分布式张量代数编译器 (DISTAL: The Distributed Tensor Algebra Compiler)
- CGO'17 Optimistic Loop Optimization 乐观循环优化
- 经典论文鉴赏之《How to Make a Multiprocessor Computer That Correctly Executes Multiprocess Programs》
- DSA后端Compute Schedule与Buffer Schedule
- 带宽受限下的DSA后端优化
- 编译优化 - 循环优化
- 详解三大编译器：gcc、llvm 和 clang
- 动态 shape 的挑战与解决现状
- [Hands-On Polyhedral] Schedule Program
- Tensor Expression DSL总结
