Apache TVM 是一个端到端的深度学习编译框架，适用于 CPU、GPU 和各种机器学习加速芯片。更多 TVM 中文文档可访问 →https://tvm.hyper.ai/

作者：Chi-Wei Wang

Relay IR 模块可以包含很多操作。通常单个操作很容易理解，但放在一起可能会使计算图难以阅读。随着优化 pass 发挥作用，情况可能会变得更糟。

该实用程序定义了一组接口（包括解析器、绘图器/渲染器、计算图、节点和边）将 IR 模块可视化为节点和边，且提供了默认解析器。用户可以用自己的渲染器对计算图进行渲染。

这里用渲染器来渲染文本形式的计算图，它是一个轻量级、类似 AST 可视化工具（灵感来自 clang ast-dump）。以下将介绍如何通过接口类来实现自定义的解析器和渲染器。

安装依赖可运行：

更多细节参考 tvm.contrib.relay_viz。

定义具有多个 GlobalVar 的 Relay IR 模块

构建一个包含多个 GlobalVar 的 Relay IR 模块示例。定义一个 add 函数，并在 main 函数中调用。

在终端上使用 Relay Visualizer 渲染图形

终端可以用类似于 clang AST-dump 的文本显示 Relay IR 模块，可以看到 AddFunc 函数在 main 函数中调用了两次。

输出结果：

为 Relay 类型自定义解析器

有时想要强调感兴趣的信息，或者针对特定用途对事物进行不同的解析，需要遵守接口来定制解析器，下面演示如何自定义 relay.var 的解析器，需要实现抽象接 口 tvm.contrib.relay_viz.interface.VizParser。

将解析器和感兴趣的渲染器传递给 visualizer，这里只用终端渲染器。

输出结果：

围绕计算图和绘图器进行定制

除了解析器，还可以通过实现抽象类 tvm.contrib.relay_viz.interface.VizGraph 和 tvm.contrib.relay_viz.interface.Plotter 来自定义计算图和渲染器。下面重写了 terminal.py 中定义的 TermGraph。我们添加了一个 hook 在 AwesomeVar 上方复制，并让 TermPlotter 使用新类。

输出结果：

总结

本教程演示了 Relay Visualizer 的使用和自定义。 tvm.contrib.relay_viz.RelayVisualizer 类由 interface.py 中定义的接口组成。

目的是快速查看，然后修复迭代，构造函数参数尽可能简单，而自定义可以通过一组接口类进行。

下载 Python 源代码：using_relay_viz.py

下载 Jupyter Notebook：using_relay_viz.ipynb