Merge pull request #280 from LxinJ05/LxinJ05-patch-1

Author: sparanoid

docs/01-getting-started/01-overview.md

@@ -13,13 +13,13 @@ Apache TVM 是一个机器学习编译框架，**遵循Python 优先开发和通
 
 ## 核心目标
 * 优化机器学习任务的性能，组合使用库与代码生成器。 
-* 部署机器学习任务至多种全新环境，包括新的运行时和新硬件。 
+* 部署机器学习任务至多种全新环境，包括新的运行时和新硬件。
 * 持续改进与定制机器学习部署流程，可通过 Python 快速定制库调度，引入定制算子与代码生成方式。
 
 
 ## 关键流程
 
-以下是使用 TVM 部署机器学习模型的典型流程。可运行示例请参见 [快速开始](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#quick-start)。
+以下是使用 TVM 部署机器学习模型的典型流程。可运行示例请参见 [快速开始](/docs/getting-started/quick-start/)。
 
 
 1. **导入 / 构建一个机器学习模型**
@@ -31,7 +31,7 @@ TVM 支持从多种框架导入模型用于通用机器学习模型，如 PyTorc
 
 pipeline 封装了一系列转换，以实现两个目标：
    * **图优化：** 如算子融合、布局重写等。 
-   *  **张量程序优化：** 将算子映射到底层实现（包括库或代码生成器）。
+   * **张量程序优化：** 将算子映射到底层实现（包括库或代码生成器）。
 
 
 :::note

docs/01-getting-started/02-installing-tvm/01-install-from-source.md

@@ -9,19 +9,19 @@ title: 从源码安装
 
 
 **目录**
-* [步骤 1：安装依赖项](https://tvm.apache.org/docs/install/from_source.html#step-1-install-dependencies)
-* [步骤 2：从 GitHub 获取源码](https://tvm.apache.org/docs/install/from_source.html#step-2-get-source-from-github)
-* [步骤 3：配置与构建](https://tvm.apache.org/docs/install/from_source.html#step-3-configure-and-build)
-* [步骤 4：验证安装](https://tvm.apache.org/docs/install/from_source.html#step-4-validate-installation)
-* [步骤 5：额外 Python 依赖项](https://tvm.apache.org/docs/install/from_source.html#step-5-extra-python-dependencies)
-* [高级构建配置](https://tvm.apache.org/docs/install/from_source.html#advanced-build-configuration)
-   * [Ccache](https://tvm.apache.org/docs/install/from_source.html#ccache)
-   * [在 Windows 上构建](https://tvm.apache.org/docs/install/from_source.html#building-on-windows)
-   * [构建 ROCm 支持](https://tvm.apache.org/docs/install/from_source.html#building-rocm-support)
-   * [启用 C++ 测试](https://tvm.apache.org/docs/install/from_source.html#enable-c-tests)
+* [步骤 1：安装依赖项](/docs/getting-started/installing-tvm/install-from-source#%E6%AD%A5%E9%AA%A4-1%E5%AE%89%E8%A3%85%E4%BE%9D%E8%B5%96%E9%A1%B9)
+* [步骤 2：从 GitHub 获取源码](/docs/getting-started/installing-tvm/install-from-source#%E6%AD%A5%E9%AA%A4-2%E4%BB%8E-github-%E8%8E%B7%E5%8F%96%E6%BA%90%E7%A0%81)
+* [步骤 3：配置与构建](/docs/getting-started/installing-tvm/install-from-source#%E6%AD%A5%E9%AA%A4-3%E9%85%8D%E7%BD%AE%E4%B8%8E%E6%9E%84%E5%BB%BA)
+* [步骤 4：验证安装](/docs/getting-started/installing-tvm/install-from-source#%E6%AD%A5%E9%AA%A4-4%E9%AA%8C%E8%AF%81%E5%AE%89%E8%A3%85)
+* [步骤 5：额外 Python 依赖项](/docs/getting-started/installing-tvm/install-from-source#%E6%AD%A5%E9%AA%A4-5-%E9%A2%9D%E5%A4%96-python-%E4%BE%9D%E8%B5%96%E9%A1%B9)
+* [高级构建配置](/docs/getting-started/installing-tvm/install-from-source#%E9%AB%98%E7%BA%A7%E6%9E%84%E5%BB%BA%E9%85%8D%E7%BD%AE)
+   * [Ccache](/docs/getting-started/installing-tvm/install-from-source#ccache)
+   * [在 Windows 上构建](/docs/getting-started/installing-tvm/install-from-source#%E5%9C%A8-windows-%E4%B8%8A%E6%9E%84%E5%BB%BA)
+   * [构建 ROCm 支持](/docs/getting-started/installing-tvm/install-from-source#%E6%9E%84%E5%BB%BA-rocm-%E6%94%AF%E6%8C%81)
+   * [启用 C++ 测试](/docs/getting-started/installing-tvm/install-from-source#%E5%90%AF%E7%94%A8-c-%E6%B5%8B%E8%AF%95)
 
 
-## [步骤 1：安装依赖项](https://tvm.apache.org/docs/install/from_source.html#id2)
+## 步骤 1：安装依赖项
 
 Apache TVM 需要以下依赖项：
 * CMake (>= 3.24.0)
@@ -62,7 +62,7 @@ conda activate tvm-build-venv
 ```
 
 
-## [步骤 2：从 GitHub 获取源码](https://tvm.apache.org/docs/install/from_source.html#id3)
+## 步骤 2：从 GitHub 获取源码
 
 你也可以选择从 GitHub 克隆源码仓库：
 
@@ -80,7 +80,7 @@ git clone --recursive https://github.com/apache/tvm tvm
 :::
 
 
-## [步骤 3：配置与构建](https://tvm.apache.org/docs/install/from_source.html#id4)
+## 步骤 3：配置与构建
 
 创建一个构建目录并运行 CMake 进行配置。以下示例展示了如何构建：
 
@@ -162,7 +162,7 @@ pip install -e /path-to-tvm/python
 ```
 
 
-## [步骤 4：验证安装](https://tvm.apache.org/docs/install/from_source.html#id5)
+## 步骤 4：验证安装
 
 
 由于 TVM 是一个支持多语言绑定的编译器基础设施，安装过程中容易出错。因此，强烈建议在使用前验证安装。
@@ -225,7 +225,7 @@ False # or True
 请注意，上述命令验证的是本地机器上实际设备的存在情况，供 TVM 运行时（而非编译器）正确执行。然而，TVM 编译器可以在不需要物理设备的情况下执行编译任务。只要具备必要的工具链（如 NVCC），TVM 就支持在没有实际设备的情况下进行交叉编译。
 
 
-## [步骤 5. 额外 Python 依赖项](https://tvm.apache.org/docs/install/from_source.html#id6)
+## 步骤 5. 额外 Python 依赖项
 
 从源代码构建不会自动安装所有必要的 Python 依赖项。可以使用以下命令安装额外的 Python 依赖项：
 * 必要依赖项：
@@ -243,9 +243,9 @@ pip3 install tornado
 ```plain
 pip3 install tornado psutil 'xgboost>=1.1.0' cloudpickle
 ```
-## [高级构建配置](https://tvm.apache.org/docs/install/from_source.html#id7)
+## 高级构建配置
 
-### [Ccache](https://tvm.apache.org/docs/install/from_source.html#id8)
+### Ccache
 
 
 在支持的平台上，[Ccache 编译器包装器](https://ccache.dev/) 可以显著减少 TVM 的构建时间（尤其是构建 [cutlass](https://github.com/NVIDIA/cutlass) 或 [flashinfer](https://github.com/flashinfer-ai/flashinfer) 时）。启用 Ccache 的方式如下：
@@ -255,12 +255,12 @@ pip3 install tornado psutil 'xgboost>=1.1.0' cloudpickle
 * 将 Ccache 作为 CMake 的 C++ 编译器前缀。配置时设置 `CMAKE_CXX_COMPILER_LAUNCHER`，例如：`cmake -DCMAKE_CXX_COMPILER_LAUNCHER=ccache ...`。
 
 
-### [在 Windows 上构建](https://tvm.apache.org/docs/install/from_source.html#id9)
+### 在 Windows 上构建
 
 
 TVM 支持通过 MSVC 和 CMake 在 Windows 上构建。你需要安装 Visual Studio 编译器（最低要求：**Visual Studio Enterprise 2019**）。我们测试了 [GitHub Actions 的 Windows 2019 Runner](https://github.com/actions/virtual-environments/blob/main/images/win/Windows2019-Readme.md) 的配置，可访问该页面获取全部细节。
 
-推荐按照 [步骤 1：安装依赖项](https://tvm.apache.org/docs/install/from_source.html#install-dependencies) 获取依赖项并激活 tvm-build 环境后，运行以下命令构建：
+推荐按照 [步骤 1：安装依赖项](/docs/getting-started/installing-tvm/install-from-source#%E6%AD%A5%E9%AA%A4-1%E5%AE%89%E8%A3%85%E4%BE%9D%E8%B5%96%E9%A1%B9) 获取依赖项并激活 tvm-build 环境后，运行以下命令构建：
 
 ```plain
 mkdir build
@@ -277,14 +277,14 @@ cmake --build build --config Release -- /m
 ```
 
 
-### [构建 ROCm 支持](https://tvm.apache.org/docs/install/from_source.html#id10)
+### 构建 ROCm 支持
 
 目前，ROCm 仅支持 Linux 平台。以下是配置步骤：
 * 设置 `set(USE_ROCM ON)`，并将 ROCM_PATH 设置为正确的路径。
 * 安装 ROCm 的 HIP 运行时，确保系统已正确安装 ROCm。
 * 安装最新稳定版的 LLVM（如 v6.0.1）和 LLD，确保 `ld.lld` 可通过命令行调用。
 
-### [启用 C++ 测试](https://tvm.apache.org/docs/install/from_source.html#id11)
+### 启用 C++ 测试
 
 TVM 使用 [Google Test](https://github.com/google/googletest) 驱动 C++ 测试，最简单的安装方式是从源码构建：
 

docs/01-getting-started/02-installing-tvm/index.md

@@ -4,14 +4,14 @@ title: 安装 TVM
 
 ---
 
-* [从源码安装](https://tvm.apache.org/docs/install/from_source.html)
-* [Docker 镜像](https://tvm.apache.org/docs/install/docker.html)
+* [从源码安装](/docs/getting-started/installing-tvm/install-from-source)
+* [Docker 镜像](/docs/getting-started/installing-tvm/docker-images)
 
 
-访问 [从源码安装 TVM](https://tvm.apache.org/docs/install/from_source.html#install-from-source) 页面，以从源代码安装 TVM。从源码安装可以让你最大程度地灵活配置构建选项，并确保使用官方发布的源代码。如果你希望在移动设备或嵌入式设备上部署 TVM，你不需要在设备上安装完整的 TVM 框架，而只需安装运行时环境即可。
+访问 [从源码安装](/docs/getting-started/installing-tvm/install-from-source) 页面，以从源代码安装 TVM。从源码安装可以让你最大程度地灵活配置构建选项，并确保使用官方发布的源代码。如果你希望在移动设备或嵌入式设备上部署 TVM，你不需要在设备上安装完整的 TVM 框架，而只需安装运行时环境即可。
 
 
-如果你想快速体验 TVM 或运行一些示例和教程，可以 [通过 Docker 安装](https://tvm.apache.org/docs/install/docker.html#docker-images)。你也可以通过 `pip` 在本地安装 TVM。
+如果你想快速体验 TVM 或运行一些示例和教程，可以 [通过 Docker 安装](/docs/getting-started/installing-tvm/docker-images)。你也可以通过 `pip` 在本地安装 TVM。
 
 
 ```plain

docs/01-getting-started/03-quick-start/index.md

@@ -7,7 +7,7 @@ title: 快速入门
 
 :::note
 
-本教程可通过 Google Colab 交互运行！也可点击[此处](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#sphx-glr-download-get-started-tutorials-quick-start-py)在本地运行 Jupyter Notebook。
+本教程可通过 Google Colab 交互运行！也可点击[此处](/docs/getting-started/quick-start/#%E5%90%8E%E7%BB%AD%E9%98%85%E8%AF%BB)在本地运行 Jupyter Notebook。
 
 [在 Google Colab 中打开](https://colab.research.google.com/github/apache/tvm-site/blob/asf-site/docs/_downloads/eceb05a9badb601d2def02240aa869e9/quick_start.ipynb)
 
@@ -19,12 +19,12 @@ title: 快速入门
 
 
 **目录**
-* [概览](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#overview)
-* [完整流程](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#overall-flow)
-   * [构建或导入模型](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#construct-or-import-a-model)
-   * [执行优化转换](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#perform-optimization-transformations)
-   * [构建和通用部署](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#build-and-universal-deployment)
-* [阅读下文](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#read-next)
+* [概览](/docs/getting-started/quick-start/#%E6%A6%82%E8%BF%B0)
+* [完整流程](/docs/getting-started/quick-start/#%E5%AE%8C%E6%95%B4%E6%B5%81%E7%A8%8B)
+   * [构建或导入模型](/docs/getting-started/quick-start/#%E6%9E%84%E5%BB%BA%E6%88%96%E5%AF%BC%E5%85%A5%E6%A8%A1%E5%9E%8B)
+   * [执行优化转换](/docs/getting-started/quick-start/#%E6%89%A7%E8%A1%8C%E4%BC%98%E5%8C%96%E8%BD%AC%E6%8D%A2)
+   * [构建和通用部署](/docs/getting-started/quick-start/#%E6%9E%84%E5%BB%BA%E5%92%8C%E9%80%9A%E7%94%A8%E9%83%A8%E7%BD%B2)
+* [阅读下文](/docs/getting-started/quick-start/#%E5%90%8E%E7%BB%AD%E9%98%85%E8%AF%BB)
 
 
 ## 概述
@@ -201,7 +201,8 @@ Tensor out = vm.getFunction("prefill").pushArg(data).pushArg(weight).pushArg(kv_
 ## 后续阅读
 
 
-本教程演示了使用 Apache TVM 编译神经网络模型的整体流程。如需了解更高级或具体的主题，请参考以下教程：
+本教程演示了使用 Apache TVM 编译神经网络模型的整体流程。如需了解更高级或具体的主题，请参考以下教程（可右键另存为下载）：
 * [下载 Jupyter notebook: quick_start.ipynb](https://tvm.apache.org/docs/_downloads/eceb05a9badb601d2def02240aa869e9/quick_start.ipynb)
 * [下载 Python 源代码: quick_start.py](https://tvm.apache.org/docs/_downloads/baf675793174f2e9b3d5da483e35ef27/quick_start.py)
 * [下载压缩包:  quick_start.zip](https://tvm.apache.org/docs/_downloads/bb7db6678496193ed0c55d3b95fa6778/quick_start.zip)
+

docs/01-getting-started/04-irmodule/index.md

@@ -7,7 +7,7 @@ title: IRModule
 
 :::note
 
-本教程可通过 Google Colab 交互式运行！也可点击[此处](https://tvm.apache.org/docs/get_started/tutorials/ir_module.html#sphx-glr-download-get-started-tutorials-ir-module-py)在本地运行 Jupyter Notebook。
+本教程可通过 Google Colab 交互式运行！也可点击[此处](/docs/getting-started/irmodule/#%E9%83%A8%E7%BD%B2%E5%88%B0%E5%85%B6%E4%BB%96%E5%90%8E%E7%AB%AF)在本地运行 Jupyter Notebook。
 
 [在 Google Colab 中打开](https://colab.research.google.com/github/apache/tvm-site/blob/asf-site/docs/_downloads/a6d7947451d373bc811080cffa18dc7c/ir_module.ipynb)
 
@@ -18,10 +18,10 @@ title: IRModule
 
 
 **目录**
-* [创建 IRModule](https://tvm.apache.org/docs/get_started/tutorials/ir_module.html#create-irmodule)
-* [IRModule 的属性](https://tvm.apache.org/docs/get_started/tutorials/ir_module.html#attributes-of-an-irmodule)
-* [对 IRModule 进行转换](https://tvm.apache.org/docs/get_started/tutorials/ir_module.html#transformations-on-irmodules)
-* [通用部署 IRModule](https://tvm.apache.org/docs/get_started/tutorials/ir_module.html#deploy-the-irmodule-universally)
+* [创建 IRModule](/docs/getting-started/irmodule/#%E5%88%9B%E5%BB%BA-irmodule)
+* [IRModule 的属性](/docs/getting-started/irmodule/#irmodule-%E7%9A%84%E5%B1%9E%E6%80%A7)
+* [对 IRModule 进行转换](/docs/getting-started/irmodule/#%E5%AF%B9-irmodule-%E8%BF%9B%E8%A1%8C%E8%BD%AC%E6%8D%A2)
+* [通用部署 IRModule](/docs/getting-started/irmodule/#%E9%80%9A%E7%94%A8%E9%83%A8%E7%BD%B2-irmodule)
 
 
 ```plain
@@ -194,6 +194,7 @@ class TVMScriptModule:
 mod_from_script = TVMScriptModule
 mod_from_script.show()
 
+
 ```
 
 
@@ -412,10 +413,10 @@ print(mod.get_global_vars())
 
 
 接着，Apache TVM Unity 提供了一套默认的转换流水线，以简化转换过程。我们可以将默认的转换流水线应用到模块上。其中默认的 zero 流水线包含以下基本转换步骤：
-* **LegalizeOps：**将 Relax 操作转换为 call_tir 调用，配合相应的 TensorIR 函数。此转换会让 IRModule 同时包含 Relax 函数与 TensorIR 函数。 
-*  **AnnotateTIROpPattern：**为 TensorIR 函数打上模式标签，为后续的算子融合做好准备。 
-*  **FoldConstant：**进行常量折叠优化，简化涉及常量的运算。 
-*  **FuseOps 和 FuseTIR：**根据上一阶段 AnnotateTIROpPattern 所打的标签对 Relax 和 TensorIR 函数进行融合优化。
+* **LegalizeOps：** 将 Relax 操作转换为 call_tir 调用，配合相应的 TensorIR 函数。此转换会让 IRModule 同时包含 Relax 函数与 TensorIR 函数。 
+*  **AnnotateTIROpPattern：** 为 TensorIR 函数打上模式标签，为后续的算子融合做好准备。 
+*  **FoldConstant：** 进行常量折叠优化，简化涉及常量的运算。 
+*  **FuseOps 和 FuseTIR：** 根据上一阶段 AnnotateTIROpPattern 所打的标签对 Relax 和 TensorIR 函数进行融合优化。
 
 
 :::note
@@ -550,8 +551,9 @@ print(cpu_out)
 输出：
 
 ```plain
-[[ 0.13505758 -0.29273182  0.04422678 -0.06554039  0.02372958  0.00591143
-  -0.11505812 -0.11465105 -0.08466949  0.1232063 ]]
+[[ 6.4867303e-02  1.6763064e-01  9.3035400e-05  1.8091209e-01
+   8.0412276e-02 -1.4292052e-01 -3.2873321e-02 -7.4184828e-02
+  -6.7507513e-02  1.5245053e-01]]
 ```
 
 
@@ -593,14 +595,15 @@ assert np.allclose(cpu_out, gpu_out, atol=1e-3)
 输出：
 
 ```plain
-[[ 0.13505754 -0.29273173  0.04422677 -0.06554036  0.02372959  0.00591139
-  -0.115058   -0.11465096 -0.08466944  0.12320635]]
+[[ 6.4867347e-02  1.6763058e-01  9.3113631e-05  1.8091221e-01
+   8.0412284e-02 -1.4292067e-01 -3.2873336e-02 -7.4184842e-02
+  -6.7507453e-02  1.5245046e-01]]
 ```
 
 
 ### 部署到其他后端
 
-Apache TVM Unity 也支持部署到其他后端，包括不同类型的 GPU（如 Metal、ROCm、Vulkan 和 OpenCL）、不同类型的 CPU（如 x86 和 ARM），以及其他新兴平台（例如 WebAssembly）。部署流程与 GPU 后端类似。
+Apache TVM Unity 也支持部署到其他后端，包括不同类型的 GPU（如 Metal、ROCm、Vulkan 和 OpenCL）、不同类型的 CPU（如 x86 和 ARM），以及其他新兴平台（例如 WebAssembly）。部署流程与 GPU 后端类似（可右键另存为下载）。
 * [下载 Jupyter Notebook: ir_module.ipynb](https://tvm.apache.org/docs/_downloads/a6d7947451d373bc811080cffa18dc7c/ir_module.ipynb) 
 * [下载 Python 源代码: ir_module.py](https://tvm.apache.org/docs/_downloads/0b64717d4cc6027368b96fad40119738/ir_module.py) 
 * [下载压缩包: ir_module.zip](https://tvm.apache.org/docs/_downloads/11c11e53c7dace51a8be968ee169ed0d/ir_module.zip)

docs/02-how-to/01-end-to-end-optimize-model.md

@@ -7,7 +7,7 @@ title: 端到端优化模型
 
 :::note
 
-本教程可通过 Google Colab 交互式运行！也可点击[此处](https://tvm.apache.org/docs/get_started/tutorials/quick_start.html#sphx-glr-download-get-started-tutorials-quick-start-py)在本地运行 Jupyter Notebook。
+本教程可通过 Google Colab 交互式运行！也可点击[此处](/docs/how-to/end-to-end-optimize-model#%E6%9E%84%E5%BB%BA%E4%B8%8E%E9%83%A8%E7%BD%B2)在本地运行 Jupyter Notebook。
 
 [在 Google Colab 中打开](https://colab.research.google.com/github/apache/tvm-site/blob/asf-site/docs/_downloads/317a8cc53139718b9a36a16ba052e44b/e2e_opt_model.ipynb)
 
@@ -106,7 +106,7 @@ if not IS_IN_CI:
 
 ## 构建与部署
 
-最后，我们构建优化后的模型，并将其部署到目标设备。在 CI 环境中会跳过此步骤。
+最后，我们构建优化后的模型，并将其部署到目标设备。在 CI 环境中会跳过此步骤。可右键另存为下载。
 
 
 ```plain
@@ -126,3 +126,5 @@ if not IS_IN_CI:
 * [下载压缩包：e2e_opt_model.zip](https://tvm.apache.org/docs/_downloads/a7dd7652b2ad50f82d7b739ce3645799/e2e_opt_model.zip)
 
 
+
+