Devcppdevc c++没办法编译，编译按钮是无法点击的（是暗着的），搞了好久都没办法，有没有

Posted 2023-03-09

一打开这个软件编译按钮当然是暗着的。点击文件-新建-源代码，就发现亮了。或者直接在某个文件夹新建一个.c后缀的文件用devc++打开。如果都无效，可能是软件安装有问题，建议换一个安装包重新安装试试。 参考技术A 深度学习已经变得无处不在、不可或缺。
此次变革的推手之一，是可扩展的深度学习系统，例如TensorFlow、MXNet、Caffe以及PyTorch等。大多数现有系统只对部分服务器级GPU进行了优化，如果想部署到手机、物联网设备以及专用加速器（FPGA、ASIC）等平台，还有大量的工作要做。
随着深度学习框架和硬件后端数量的增加，我们提出一个统一的中间表示（IR）堆栈，用来弥合深度学习框架和硬件后端之间的距离。
我们很高兴的宣布推出TVM来解决上述问题。TVM是一个全新的框架，可以：
为CPU、GPU和其他专用硬件，表示和优化常见的深度学习计算工作负载
自动转换计算图以最小化内存占用，优化数据布局和融合计算模式
提供端到端编译，从现有的前端框架到裸机硬件，直到浏览器可执行的javascript
在TVM的帮助下，可以轻松在手机、嵌入式设备甚至浏览器上运行深度学习的工作负载，而不需要额外的工作。TVM还为许多硬件平台上的深度学习工作负载，提供统一的优化框架，包括依赖于新计算基元的专用加速器。
我们采用了编译器界的共同理念，提供两个中间表示层，以有效地将高级深度学习算法降低到多种硬件后端。
在这次放出的版本中，开源的TVM软件包提供x86、ARM、OpenCL、Metal、CUDA和JavaScript的优化基元。我们正积极的致力于增加对专业硬件加速和Nvidia GEMM优化的Volta架构的支持。
技术细节
TVM堆栈的目标，是提供一个可重复使用的工具链，来将高级神经网络描述从深度学习框架前端，向下编译为多个硬件后端的低级机器代码。
以Apache MXNet作为前端案例，下面的代码演示了如何使用TVM将深度学习模型的高级描述编译为针对目标硬件定制的优化可执行模块。
这件事的挑战在于支持多个硬件后端，同时将计算、内存和能量足迹保持在最低水平。我们借鉴了编译器界的智慧，构建了两级中间层：其中一层是NNVM（用于任务调度和内存管理的高级中间表示），另一层是TVM（用于优化计算内核的富有表现力的低级中间表示）
堆栈的第一级是基于计算图的表示。计算图是一个有向无环图，用节点表示计算，用箭头表示数据流关系。大多数现有深度学习框架都采用这种方法，包括TVM堆栈中的NNVM图表示，TensorFlow XLA以及英特尔的Ngraph。
图优化框架可以支持很多强大的优化。例如，我们提供了一个次线性内存优化功能，允许用户在单个GPU上训练1000层的ImageNet ResNet。
然而，我们发现仅基于IR的计算图不足以解决支持不同硬件后端的挑战。因为单独一个图形运算符，例如卷积或矩阵乘法能以非常不同的方式映射和优化在不同的硬件后端。这些特定硬件优化在内存布局、并行线程模式、缓存访问模式和硬件基元的选择方面，可能会发生巨大的变化。我们希望能以通用方式对此进行明确表达。