ExecuTorch

ExecuTorch 是一种端到端的解决方案，用于启用各种移动设备和边缘设备（包括可穿戴设备、嵌入式设备和微控制器）上的推理能力。它是 PyTorch Edge 生态系统的一部分，能够高效地将 PyTorch 模型部署到边缘设备。

ExecuTorch 的主要价值主张是：

可移植性: 与多种计算平台兼容，从高端手机到高度受限的嵌入式系统和微控制器。
生产力: 能够让开发者使用相同的工具链和 SDK，从 PyTorch 模型的创建和转换，到调试和部署到各种平台。
性能: 由于轻量级的运行时和利用 CPU、NPU 和 DSP 等全部硬件能力，为最终用户提供无缝且高性能的体验。

有关 ExecuTorch 的全面技术概述和分步教程，请访问我们的文档网站最新版本（或主分支)。

查看入门页面快速体验。

反馈

我们欢迎社区提供任何反馈、建议和错误报告，以帮助我们改进技术。请使用 PyTorch 论坛的 ExecuTorch 分类进行讨论和反馈，并使用我们的 GitHub 仓库进行错误报告。

我们建议在开发时使用 Releases 页面上的最新发布标签。

贡献

有关问题、PR、代码风格、CI 任务和其他开发主题的详细信息，请参见 CONTRIBUTING.md。

目录结构

executorch
├── backends                        #  后端委托实现。
├── build                           #  管理构建系统的工具。
├── codegen                         #  用于在内核和运行时之间自动生成绑定的工具。
├── configurations
├── docs                            # 静态文档工具。
├── examples                        # 各种用户流程的示例，如模型导出、委托和运行时执行。
├── exir                            # 提前编译的库：模型捕获和降低 API。
|   ├── _serialize                  # 序列化最终导出工件。
|   ├── backend                     # 提前编译的后端委托 API。
|   ├── capture                     # 程序捕获。
|   ├── dialects                    # 导出过程中各种方言的操作集。
|   ├── emit                        # 从导出的程序转换为 ExecuTorch 执行指令。
|   ├── operator                    # 操作节点操作工具。
|   ├── passes                      # 内置编译器传递。
|   ├── program                     # 导出工件。
|   ├── serde                       # 图形模块序列化/反序列化。
|   ├── verification                # IR 验证。
├── extension                       # 在运行时之上构建的扩展。
|   ├── android                     # Android 应用的 ExecuTorch 包装器。
|   ├── apple                       # iOS 应用的 ExecuTorch 包装器。
|   ├── aten_util                   # 转换为 PyTorch ATen 类型并从中转换。
|   ├── data_loader                 # 第三方数据加载器实现。
|   ├── evalue_util                 # 用于处理 EValue 对象的助手。
|   ├── gguf_util                   # 将工具从 GGUF 格式转换。
|   ├── kernel_util                 # 用于注册内核的工具。
|   ├── memory_allocator            # 第三方内存分配器实现。
|   ├── module                      # 运行时的简化 C++ 包装器。
|   ├── parallel                    # C++ 线程池集成。
|   ├── pybindings                  # ExecuTorch 运行时的 Python API。
|   ├── pytree                      # 用于 pytrees 的 C++ 和 Python 扁平化和反扁平化库。
|   ├── runner_util                 # 用于编写 C++ PTE 执行工具的助手。
|   ├── testing_util                # 编写 C++ 测试的助手。
|   ├── training                    # 用于设备上训练的实验库。
├── kernels                         # 第三方内核实现。
|   ├── aten
|   ├── optimized
|   ├── portable                    # ATen 操作的参考实现。
|   ├── prim_ops                    # 用于控制流和符号原语的 ExecuTorch 运行时中的特殊操作。
|   ├── quantized
├── profiler                        # 运行时执行的剖析工具。
├── runtime                         # 核心 C++ 运行时。
|   ├── backend                     # 后端委托运行时 API。
|   ├── core                        # 在运行时所有层级中使用的核心结构。
|   ├── executor                    # 模型加载、初始化和执行。
|   ├── kernel                      # 内核注册和管理。
|   ├── platform                    # 架构特定代码和可移植 C++ 之间的层。
├── schema                          # ExecuTorch PTE 文件格式 flatbuffer 模式。
├── scripts                         # 用于尺寸管理、依赖管理等的实用脚本。
├── sdk                             # 模型分析、调试和内省。
├── shim                            # OSS 和内部构建之间的兼容层。
├── test                            # 广泛的端到端测试。
├── third-party                     # 第三方依赖。
├── util                            # 各种助手和脚本。