1、编译需要打开的选项：

　　set(USE_SORT ON)

　　参考资料：

　　discuss.tvm.ai/t/solved-cant-run-tutorials-ssd-model-on-my-own-cpu/2005

　　2、编译gpu模型：

　　编译时，打开编译cuda选项：tvm_option(USE_CUDA "Build with CUDA" ON)

　　在jetson nano上编译GPU版本时，需要将cuda加入到环境变量里面去：

　　export CUBA_HOME=/usr/local/cuda-10.0:$PATH

　　export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH

　　export PATH=/usr/local/cuda-10.0/bin:$PATH

　　将target = tvm.target.create("llvm -mcpu=haswell")替换为：target = "cuda"

　　参考资料：

　　github.com/

　　3、Andorid编译

　　cp make/config.mk

　　APP_ABI = armeabi-v7a

　　./make_standalone_toolchain.py –arch arm --api 23 --install-dir /opt/android-toolchain-armv7 -mfloat-abi=soft

　　参考资料：

　　discuss.tvm.ai

　　4、LLVM 在windows上编译

　　1)下载LLVM源码

　　首先下载LLVM源码，下载地址为：

　　github.com/MirrorYuChen/llvm-project/tree/release/6.x

　　这里对应LLVM版本为6.x，后面需要用LLD工具，这个源码里面就自带有，然后在LLVM文件夹下面新建一个build文件夹，并在此文件夹路径下打开cmd窗口，输入如下命令：

　　cmake -G "Visual Studio 15 2017 Win64" .. -Thost=x64 -DLLVM_ENABLE_PROJECTS=lld

　　打开生成的llvm.sln项目，切换到release x64模式编译，大约需要1小时时间编译完成，并运行install。

　　Jetson nano:

　　>> git clone https://github.com/llvm/llvm-project llvm-project

　　>> cd llvm-project

　　>> mkdir build

　　>> cd build

　　>> cmake -DCMAKE_BUILD_TYPE=Release -DLLVM_ENABLE_PROJECTS=lld -DCMAKE_INSTALL_PREFIX=/usr/local ../../llvm-project/llvm

　　>> make -j3 && make install

　　2)下载tvm源码

　　git clone --recursive https://github.com/dmlc/tvm/

　　在tvm项目路径下新建build子文件夹，并在当前路径下新建一个bash.sh文件，文件内容为：

　　cmake -G "Visual Studio 15 2017 Win64" -DCMAKE_BUILD_TYPE=Release \

　　-DCMAKE_CONFIGURATION_TYPES="Release" .. \

　　-DLLVM_DIR=D:\softW\LLVM\lib\cmake\llvm

　　后面LLVM路径对应到刚install生成的LLVM路径，打开生成的tvm.sln项目，编译运行。

　　3)安装

　　先新建一个conda环境变量：

　　conda create -n tf python==3.5

　　激活环境：

　　activate tf

　　分别安装tensorflow和mxnet

　　pip install tensorflow

　　pip install mxnet

　　分别进入tvm、topi、nnvm文件夹下，运行下面命令进行安装

　　python setup.py install

　　安装完成之后，可以进入tvm的tutorials子文件夹下，运行相关例程。

　　这里是一个ssd运行例程：

　　测试代码为：

　　#!/usr/bin/python3

　　import os

　　import tvm

　　import numpy as np

　　import time

　　from tvm.contrib.download import download

　　from tvm.contrib import graph_runtime

　　current_milli_time = lambda: int(round(time.time() * 1000))

　　test_image = "dog.jpg"

　　dshape = (1, 3, 512, 512)

　　#dshape = (1, 3, 608, 608)

　　dtype = "float32"

　　image_url = "https://cloud.githubusercontent.com/assets/3307514/20012567/" \

　　"cbb60336-a27d-11e6-93ff-cbc3f09f5c9e.jpg"

　　download(image_url, test_image)

　　# Preprocess image

　　import cv2

　　test_image_path = test_image

　　image = cv2.imread(test_image_path)

　　img_data = cv2.resize(image, (dshape[2], dshape[3]))

　　img_data = img_data[:, :, (2, 1, 0)].astype(np.float32)

　　img_data -= np.array([123, 117, 104])

　　img_data = np.transpose(np.array(img_data), (2, 0, 1))

　　ctx = tvm.cpu()

　　target="llvm"

　　#base = "deploy_ssd_resnet50_512/{}/".format(target)

　　#base = "deploy_ssd_inceptionv3_512/{}/".format(target)

　　#base = "deploy_ssd_mobilenet_512/{}/".format(target)

　　#base = "deploy_ssd_mobilenet_608/{}/".format(target)

　　#base = "cpu-model/"

　　base = "./"

　　path_lib = base + "model.so"

　　path_graph = base + "model.json"

　　path_param = base + "model.params"

　　graph = open(path_graph).read()

　　params = bytearray(open(path_param, "rb").read())

　　lib = tvm.module.load(path_lib)

　　class_names = ["aeroplane", "bicycle", "bird", "boat", "bottle", "bus", "car", "cat", "chair",

　　"cow", "diningtable", "dog", "horse", "motorbike", "person", "pottedplant",

　　"sheep", "sofa", "train", "tvmonitor"]

　　######################################################################

　　# Create TVM runtime and do inference

　　# Build TVM runtime

　　m = graph_runtime.create(graph, lib, ctx)

　　m.load_params(params)

　　input_data = tvm.nd.array(img_data.astype(dtype))

　　# dryrun

　　m.run(data = input_data)

　　# execute

　　t1 = current_milli_time()

　　m.run(data = input_data)

　　# get outputs

　　tvm_output = m.get_output(0)

　　t2 = current_milli_time()

　　print(base)

　　print("time: {} ms".format(t2 - t1))

　　out = tvm_output.asnumpy()[0]

　　i = 0无锡×××医院 https://yyk.familydoctor.com.cn/20612/

　　for det in out:

　　cid = int(det[0])

　　if cid < 0:

　　continue

　　score = det[1]

　　if score < 0.5:

　　continue

　　i += 1

　　print(i, class_names[cid], det)

　　######################################################################

　　# Display result

　　def display(img, out, thresh=0.5):

　　import random

　　import matplotlib as mpl

　　import matplotlib.pyplot as plt

　　mpl.rcParams['figure.figsize'] = (10, 10)

　　pens = dict()

　　plt.clf()

　　plt.imshow(img)

　　for det in out:

　　cid = int(det[0])

　　if cid < 0:

　　continue

　　score = det[1]

　　if score < thresh:

　　continue

　　if cid not in pens:

　　pens[cid] = (random.random(), random.random(), random.random())

　　scales = [img.shape[1], img.shape[0]] * 2

　　xmin, ymin, xmax, ymax = [int(p * s) for p, s in zip(det[2:6].tolist(), scales)]

　　rect = plt.Rectangle((xmin, ymin), xmax - xmin, ymax - ymin, fill=False,

　　edgecolor=pens[cid], linewidth=3)

　　plt.gca().add_patch(rect)

　　text = class_names[cid]

　　plt.gca().text(xmin, ymin-2, '{:s} {:.3f}'.format(text, score),

　　bbox=dict(facecolor=pens[cid], alpha=0.5),

　　fontsize=12, color='white')

　　plt.show()

　　image = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

　　display(image, tvm_output.asnumpy()[0], thresh=0.45)

　　代码来自于github