在PyTorch中整合了TVM

将TVM整合至PyTorch框架中
随着TVM持续展现出对深度学习模型执行效率的提升，PyTorch显然能够从直接采用编译器堆栈中获益。PyTorch的核心目标在于为用户提供无缝且高效的集成体验，同时不影响其操作流程。目前，PyTorch已具备基于TVM的官方后端模块torch_tvm。

使用方式极为简便：
import torch_tvm
torch_tvm.enable()
仅此而已！随后，PyTorch将在其JIT编译流程中尝试将所有可能的算子转换为Relay支持的算子。

背景介绍
与诸多其他机器学习框架不同，PyTorch提供了一种执行层面的编程接口。这种编程方式跳过了图元编程模式，转而专注于以Python语言直接操控n维数组（张量）。该框架最初非常适合用于模型的探索和开发阶段，但在自动性能优化及部署方面存在局限性。为充分利用优化后的编译器技术，PyTorch近期引入了多项重大改进以应对这一问题。

在PyTorch 1.0版本中引入了专属于该框架的中间表示形式——PyTorch IR，其作用类似于Relay所处理的模型结构。通过模型跟踪功能，可以将PyTorch程序转化为IR格式，该过程记录了模型或Python子集（即TorchScript）的实际运行情况。新的TV后端将PyTorch IR降低至Relay层级，并能在不需用户干预的情况