流程规范化

[Forwil]

流程

1、获取模型(model_zoo.model_list) (各自负责）

• 从官方model zoo获取，如mxnet.gluon.model_zoo.vision import get_model，需要注意把模型保存下来，以便后续测试。比如mxnet(json,param)，tensorflow(.pb)，onnx(.onnx)，pytorch(.pt)
• 找野生的模型
• 1和2都可以输出模型到同一个地方，管理起来。
• onnx需要区分from pytorch，from mxnet，from tensorflow
• 如果走通，尽量把onnx作为默认模型格式

2、从model_zoo中初始化relay (勇民)

• relay. frontend.from_mxnet, relay.frontend.from_onnx等多个接口进行relay的构造
• relay.save不存在
• relay.build_module + 平台可以导出json,params

3、relay auto tune (勇民）

• gpu/x86/arm三个平台的autotune
• 导出json,params,config

4、速度测试 (jianjin）

• gpu/x86/arm三个平台的时间测试

5、精度测试

• 待定

分工

• tensowflow用tvm0.6的版本
• pytorch用jit trace
• 具体测试平台：arm yongmin, x86 shanjun，gpu jianjin
• 框架分工：mxnet yongmin，tensorflow shanjun，pytorch jianjin
• 3 autotune，2 build relay，代码统一由yongmin写
• 4 jianjin负责
• 1 2 3 4分别的目录维护

[Forwil]

1、tensorflow几乎没有进展 @shanjun 2、autotune需要和框架相关 3、mxnet2onnx @yongmin 4、模型list需要规范维护，写到readme里面。get model可以较为自由。 5、relay frontend合并 @liaojianjin 6、统一以onnx为输入，有问题尽快提，每个框架的负责人都需要尝试2onnx并总结问题。 7、下周一，yufengwei会来试用一下这几个库

[Forwil]

下一步： 1、继续完善model zoo 2、评估“tvm大规模测试表”里面的速度是不是足够牛逼: 1、arm/x86/gpu上的SOTA速度，按之前的框架分工，各自去熟悉对应平台的最好的inference库。 2、arm：ncnn，tengine，paddle-lite x86：intel_caffe，openvino，paddle-lite gpu：tensorRT7.0

[Forwil]

1、tensorflow几乎没有进展 @shanjun 几乎要搞定了，后面再对下 2、autotune需要和框架相关 可以保证1阶段只产出onnx模型，autotune与框架无关 3、mxnet2onnx @yongmin done 4、模型list需要规范维护，写到readme里面。get model可以较为自由。 https://shimo.im/sheets/pRgJqWXGkgWGQYv3/MODOC 5、relay frontend合并 @liaojianjin relay frontend只保留onnx 6、统一以onnx为输入，有问题尽快提，每个框架的负责人都需要尝试2onnx并总结问题。 done，除了版本对齐之外 tvm 0.6.0 mxnet 1.5.1 onnx = 1.3.0 pytorch 1.3/1.4 onnx = 1.5.0/1.6.0 tensorflow 1.14, onnx = 1.5.0/1.6.0 模型名字的输入输出需要对应，才可以跑 输入input shape必须对应 7、下周一，yufengwei会来试用一下这几个库 doing