想象你是一家高档餐厅的主厨。你的后厨最近购入了一台会做菜的机器人：它力气大、不知疲倦，能在一夜之间试着做出几千道菜，却缺乏经验——它不知道牛肉要逆纹切，也不知道炖汤要用砂锅。而你作为人类大厨，有二十年功力，清楚每道菜的关键诀窍，但一天下来翻来覆去只能改良两三道菜。于是你灵机一动：何不让机器人按照你指定的刀工和锅具来发挥？你负责定框架，机器人负责在框架内疯狂试菜。这就是混合调度。 在AI编译的世界里，同样的故事正在上演。深度学习模型里的卷积、矩阵乘法等算子，就像一盘盘待烹的菜。编译器的“调度”就是菜谱——规定计算怎么拆、数据怎么排、指令怎么发。AutoSchedule是那个不知疲倦的机器人，人工调度则是人类专家的手艺。本文要讲的，就是如何把两者结合成一套“混合策略”，让算子优化既快又稳。

岗位关联

学会混合策略，你就能在AI编译器工作中把“调优玄学”变成一套可解释、可复用、可落地的工程方法——无论面对陌生硬件还是特殊算子，都能快速达到90%以上的理论性能。

目录
  1. 可视化演示
  2. 调度基础概念
  3. 自动调度原理
  4. 人工调度经验
  5. 混合策略设计
  6. 专家知识注入
  7. 性能对比分析
  8. TVM实战应用
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示AutoSchedule混合的核心机制，通过入门/进阶/实战/优化四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

AutoSchedule混合：自动调度 自动调度与人工调度的优劣对比 混合策略的设计理念与框架 核心机制可视化 AutoSchedule混合整体架构与关键组件

调度基础概念

一家餐厅的后厨，主厨手里有一本“标准作业手册”：什么菜先切片还是先切丝、锅要多热、油放多少。这份手册就是“调度”——它规定了每一个操作在什么时刻、以什么方式执行。AI编译器里的算子（比如矩阵乘法）到了GPU上，也有一份这样的“执行手册”。人工编写的调度是祖传手艺，自动调度则是机器人厨师自己摸索出来的菜谱。

所谓调度，在TVM等深度学习编译器中，指对算子的计算过程做变换：循环怎么切分、内存怎么排布、数据怎么复用。这些变换组合起来，决定了一段算子代码在GPU上的实际运行速度。调度是整个算子优化中最核心的一环。

人工调度（manual schedule）由编译器工程师手写，依靠对硬件微架构和访存行为的深刻理解，写出精心设计的循环结构，在单个算子上往往表现极佳；问题是开发周期长，每换一个硬件平台就要重写一遍。自动调度（AutoSchedule）如Ansor、MetaSchedule，把调度看成搜索问题：自动生成大量候选方案，再用成本模型打分，找出最快的那一个。

这个公式就像菜谱组合数——如果一道菜有 3 道工序，每道工序有 5 种做法，你就能做出 125 种味道。人工大厨记得其中 10 种经典做法，机器人厨师却要面对全部 125 种。

∣S∣=∏i=1nmi\displaystyle |S| = \prod_{i=1}^{n} m_i
搜索空间大小等于每个环节可选方式数的乘积——这就是机器人厨师要面对的全部“菜谱组合”。
  1. 竖线与 S|S| 表示调度方案集合 S 中元素的总个数，即所有可能调度的数量。
    ∣S∣\displaystyle |S|
  2. 连乘符号∏ 表示从第 1 项乘到第 n 项，把 n 个选项数累乘起来。
    ∏i=1n\displaystyle \prod_{i=1}^{n}
  3. m_i第 i 个循环或操作可选的变换方式数。比如一个循环可以切成 2 块、4 块、8 块，m_i 就是 3。
    mi\displaystyle m_i
  4. 上标 i 与 ni 从 1 取到 n，n 表示循环嵌套的层数或可变换的操作个数。
    i=1,2,…,n\displaystyle i=1,2,\dots,n

自动调度原理

机器人厨师有一台“电子舌头”：任何一道菜，不用真吃，只要把配方输入进去，就能预测出这道菜能打几分。它凭这个舌头一夜之间试遍几千个菜谱，找到评分最高的那个。AutoSchedule 的核心正是“搜索 + 评估”。

搜索空间由切分、重排、向量化等变换组合而成。评估则依赖成本模型（cost model）——一个机器学习模型，输入候选调度的特征，输出预测执行时间。Ansor 用“草图（sketch）”机制把常用模板和随机变换组合成搜索空间，再用进化搜索与模拟退火采样调度，最终把成本模型分数最高的几个放到真实硬件上验证。MetaSchedule 进一步引入 trace 机制，让调度可回放、可迁移。

成本模型的质量决定了搜索的“嗅觉”是否灵敏。如果打分不准，机器人再勤奋也可能与好配方失之交臂。

电子舌头打分准不准，完全取决于它尝过多少道菜。AutoSchedule 训练成本模型时也一样，需要大量真实运行数据来喂。

T^(s)=∑j=1kwj⋅fj(s)\displaystyle \hat{T}(s) = \sum_{j=1}^{k} w_j \cdot f_j(s)
预测执行时间等于各特征的加权求和，权重由历史数据学习而来。
  1. T 上加个小帽子表示“预测值”。这是成本模型预测的调度 s 的执行时间，不是真实测量值。
    T^(s)\displaystyle \hat{T}(s)
  2. 求和符号把 k 个特征项的贡献逐一相加。
    ∑j=1k\displaystyle \sum_{j=1}^{k}
  3. 特征 f_j(s)从调度 s 里提取的第 j 个特征，如循环层数、访存次数、并行度。
    fj(s)\displaystyle f_j(s)
  4. 权重 w_j特征对应的参数，由模型从历史数据中学习，重要特征权重大。
    wj\displaystyle w_j

人工调度经验

人类大厨的刀工不是一天练成的：牛肉要逆着纹路切、土豆丝要粗细均匀。这些经验在 AI 调度里，对应着一组组“切分”和“排布”的招式。人工调度最常用的招式是循环变换——把大循环切分成小块，让每个小块恰好放进缓存。

以卷积算子为例，工程师会把大循环切成小块（tiling），每个小块的数据量正好贴合 L2 缓存；再把内部循环向量化，让一条指令同时处理多个数据；最后做数据重排（layout transform），把内存访问变成连续读。循环分块是收益最大的手段：给定原始循环维度 X、Y，分块后每个方向的迭代次数由块大小决定。

选多大的块，需要根据硬件缓存容量手工试出最优值。这类经验在 TVM 中可以直接用 schedule.split 表达，并且可以写成模板供自动调度器复用。

选出合适的 T_x、T_y，是大厨的试菜过程——火大一点还是小一点，多试几次心里就有数了。

Bx=⌈XTx⌉,By=⌈YTy⌉\displaystyle B_x = \left\lceil \frac{X}{T_x} \right\rceil, \quad B_y = \left\lceil \frac{Y}{T_y} \right\rceil
分块后每个方向的迭代块数等于原始迭代次数除以块大小，向上取整。
  1. B_xX 方向被切分后的块数，即外层循环的迭代次数。
    Bx\displaystyle B_x
  2. X 除以 T_x原始迭代次数 X 除以每块大小 T_x，得到理论上的块数。
    XTx\displaystyle \frac{X}{T_x}
  3. 向上取整符号块数必须是整数，有余数也要多算一块。
    ⌈⋅⌉\displaystyle \left\lceil \cdot \right\rceil
  4. 两个式子并列X、Y 两个维度分别分块，最终形成 B_x × B_y 个块。
    By=⌈YTy⌉\displaystyle B_y = \left\lceil \frac{Y}{T_y} \right\rceil

混合策略设计

大厨发现机器人不会刀工，但火候控制得极稳。于是他改了分工：刀工由自己来定（人工），火候和起锅时间交给机器人自动调优（自动）。一道菜既保留大厨的招牌口感，又用上了机器人的速度。

混合策略的设计核心是“决策分割”：把完整的调度方案拆成两部分。一部分决策由人工固定，比如循环顺序、数据布局、是否使用某个硬件指令；另一部分决策交给自动调度器，比如块大小、向量化宽度、展开因子。两部分合在一起，才构成最终可执行的调度。

在 AutoSchedule 框架里，这种混合靠“模板化搜索空间”实现：工程师先写一个带占位符的调度，再把占位符声明为可调参数（tunable knob），交给 tuner 去搜索。例如在 TVM 中，先用 te.schedule 手写 split/reorder 的结构，只留具体数值给自动调优器决策。

这道公式就是后厨分工协议：大厨负责切配，机器人负责炒制，T\* 是目标上菜时间。

T∗=min⁡Sh∈H, Sa∈A  T(Sh⊕Sa)\displaystyle T^* = \min_{S_h \in \mathcal{H},\, S_a \in \mathcal{A}} \; T(S_h \oplus S_a)
混合策略的最优执行时间 = 在人工固定决策和自动搜索决策的联合范围内，找到一个最优组合方案。
  1. T 加星号最终能达到的最优执行时间，星号表示“最优值”。
    T∗\displaystyle T^*
  2. min在花括号给定的范围里寻找最小值。
    min⁡\displaystyle \min
  3. S_h 与 S_aS_h 是人工固定部分的调度决策，S_a 是自动搜索部分的调度决策；H 和 A 分别是它们的可行取值集合。
    Sh∈H,  Sa∈A\displaystyle S_h \in \mathcal{H},\; S_a \in \mathcal{A}
  4. 直和符号 ⊕把人工部分和自动部分拼接成一个完整调度方案，两部分互不冲突。
    Sh⊕Sa\displaystyle S_h \oplus S_a
  5. T(·)真实执行时间函数。整个式子表示同时协调人工与自动两部分，找使执行时间最小的组合。
    T(Sh⊕Sa)\displaystyle T(S_h \oplus S_a)

专家知识注入

大厨在厨房管理本上画了一条红线：所有炖菜必须用砂锅，不许用压力锅。机器人不需要理解为什么，但它尝试菜谱时自然会跳过“压力锅炖汤”这一类方案。这条红线就是专家约束。

专家知识注入有三种典型方式：模板预设（expert template）、约束引导（constraint）、反馈融合（feedback fusion）。模板预设是人工写好调度框架，只留参数给搜索器；约束引导是在搜索过程中剪掉明显不合理的调度，比如限制最大展开因子避免寄存器溢出；反馈融合是让专家对候选方案的评价作为训练样本，修正成本模型的偏差。

约束引导在数学上表现为带约束的优化问题。专家约束集合 C 把所有不符合硬件限制或性能预期的调度排除在外，搜索器只能在约束范围内寻找最优。这样做的好处是搜索空间缩小一个数量级，采样密度随之提升，搜索效率显著提高。

红线不是限制，恰恰是效率——少了九成不可能好吃的选项，机器人反而更快找到最优配方。

min⁡S  T(S)s.t.S∈Cexpert\displaystyle \min_{S} \; T(S) \quad \text{s.t.} \quad S \in \mathcal{C}_{\text{expert}}
在专家认可的调度范围内，寻找执行时间最小的方案——先划范围，再谈最优。
  1. min 下标 S在所有调度方案里选出执行时间最小的一个。
    min⁡ST(S)\displaystyle \min_S T(S)
  2. s.t.subject to 的缩写，表示后面条件为硬性约束。
    s.t.\displaystyle \text{s.t.}
  3. 专家集合 C_expert专家给出的合法调度集合，只有满足该集合的调度才被允许。
    Cexpert\displaystyle \mathcal{C}_{\text{expert}}
  4. 属于符号 ∈把“找全局最优”降级为“在专家认可的范围内找最优”。
    S∈Cexpert\displaystyle S \in \mathcal{C}_{\text{expert}}

性能对比分析

三家餐厅打擂台：纯机器人店、纯大厨店、大厨带机器人的混合店。比的是同一道菜从下单到出餐的时间。结果通常是：机器人店起步慢但菜式多；大厨店单个菜稳但产能有限；混合店又快又稳，翻台率最高。

性能对比必须以统一基线为准。常见基线有：编译器的通用实现、厂商优化库（如 cuDNN）、纯人工调度、纯 AutoSchedule。对比维度包括 kernel 执行时间、编译时间（搜索开销）、平台可移植性、算子适用性。实验数据显示，在中等规模的矩阵乘和卷积上，纯自动调度最终能达到人工调度的 80%~90%，但搜索耗时长；纯人工调度移植性差，换一块 GPU 就要重调；混合策略通常能达到人工方案 90% 以上的性能，且搜索时间缩短一半。

用加速比可以量化提升——它回答了一个直接的问题：混合策略比基线快了多少倍？

混合店靠大厨经验避开了机器人的低级错误，又用机器人的试菜能力探索了更多细节，出餐自然最快。

Speedup=TbaselineThybrid\displaystyle \text{Speedup} = \frac{T_{\text{baseline}}}{T_{\text{hybrid}}}
加速比 = 基线执行时间 ÷ 混合策略执行时间，大于 1 表示更快。
  1. Speedup加速比，大于 1 说明比基线快，等于 2 就是快一倍。
    Speedup\displaystyle \text{Speedup}
  2. T_baseline基线调度的执行时间，比如平台默认实现或纯人工调度。
    Tbaseline\displaystyle T_{\text{baseline}}
  3. T_hybrid混合策略得到的执行时间。
    Thybrid\displaystyle T_{\text{hybrid}}
  4. 分数整体分子大分母小则加速比高，衡量混合策略相对基线的提升倍数。
    TbaselineThybrid\displaystyle \frac{T_{\text{baseline}}}{T_{\text{hybrid}}}

TVM实战应用

把上面这套分工写进厨房管理系统——TVM 就是 AI 编译界的厨房管理软件。大厨（工程师）在系统里录入菜谱模板，系统里的机器人（AutoSchedule 调优器）在模板限定的范围内自动尝试调料比例。

在 TVM 中实现混合策略的典型流程：第一步用 te.compute 声明算子计算逻辑；第二步手写 te.schedule 完成人工部分（如 split、reorder、cache_read）；第三步把剩余参数标注为可调变量；第四步用 MetaSchedule 的 TuneContext 或 AutoTVM 的 task 启动自动搜索。

一个直观的结构示意如下：

实际工程中，这个人工写好的 schedule 作为“初始模板”，再运行几百轮自动搜索微调剩余参数，最终从候选集合中选出加速比最大的调度。

TVM 让大厨和机器人共用一个后厨：大厨写模板，机器人调参数，最终上桌的 kernel 又快又稳。

Sfinal=arg⁡max⁡S∈P  Speedup(S)\displaystyle S_{final} = \arg\max_{S \in \mathcal{P}} \; \text{Speedup}(S)
最终调度 = 在候选集 P 中，选出加速比最大的那个方案。
  1. S_final最终被选中的调度方案，也就是上线部署的那一份菜谱。
    Sfinal\displaystyle S_{final}
  2. arg max使后面式子达到最大值的自变量取值。这里指让加速比最大的那个调度。
    arg⁡max⁡\displaystyle \arg\max
  3. 候选集 P由人工模板与自动搜索共同产生的一批候选调度。
    S∈P\displaystyle S \in \mathcal{P}
python15 行
# 伪代码演示 TVM 混合调度思路def matmul_mixed(M, N, K):    A = te.placeholder((M, K), name="A")    B = te.placeholder((K, N), name="B")    k = te.reduce_axis((0, K), name="k")    C = te.compute((M, N),                   lambda i, j: te.sum(A[i, k] * B[k, j], axis=k),                   name="C")    s = te.create_schedule(C.op)    # 人工部分：固定切分结构    xo, xi = s[C].split(C.op.axis[0], factor=32)    yo, yi = s[C].split(C.op.axis[1], factor=32)    s[C].reorder(xo, yo, xi, yi)    # 自动部分：向量化宽度交给 tuner    return s  # 剩余参数由 MetaSchedule 自动搜索

AI 应用场景

移动端NPU算子部署

阶段：推理优化

解决的问题：手机 NPU 型号繁杂，纯人工调度一个算子往往要投入一周人力；纯自动调度在小算子上搜索空间冗余，换一块芯片结果就不稳定。混合策略用专家预置的调度模板快速生成基础版本，再让 AutoSchedule 在目标 NPU 上自动微调参数，把部署时间从一周压缩到半天。

具体案例：某 AI 公司在三款不同 NPU 上落地 YOLO 检测模型时，采用 TVM MetaSchedule + 人工 tile 模板，卷积算子分别达到理论峰值的 92%、88%、90%，而纯自动调度仅为 85%、80%、84%。

大规模训练通信算子优化

阶段：集群训练优化

解决的问题：AllReduce 等通信算子的性能高度依赖集群拓扑，搜索空间爆炸式增长，纯自动调度很难覆盖。专家把拓扑相关的决策（如 ring/树结构）固定下来，自动调度只搜索消息切分块大小和流水段数，搜索回合数减少 60% 而性能保持持平。

具体案例：在大规模 GPT 训练的 AllReduce 调优中，混合策略与手工实现性能相当，代码量从 300 行降到 50 行，且更换集群拓扑后只需重跑调优器。

多后端算子库建设

阶段：算子库开发

解决的问题：自研算子库要同时支持 CUDA、ROCm、OneAPI，纯人工维护三套代码成本极高。混合策略把算子的“语义逻辑”与“调度策略”分离，工程师维护一套调度模板，AutoSchedule 为每个后端生成专属实现。

具体案例：某互联网公司算子库中，60% 的算子采用混合策略生成，CI 编译时间从两周缩短为两天，新增后端时只需重新调优，无需重写算子。

Python 演示

python57 行
# 模拟 AutoSchedule 与人工调度的混合策略性能对比import random def runtime(bx, by, vec):    # 越接近最优配置(32,32,8), 运行时间越短    score = (abs(bx - 32) / 32.0) ** 2 + \            (abs(by - 32) / 32.0) ** 2 + \            (abs(vec - 8) / 8.0) ** 2    return 0.8 + score * 1.2 def pure_auto(n_trials=200):    # 纯自动调度: 在完整搜索空间随机采样    best_t = float("inf")    best = None    for _ in range(n_trials):        cfg = (random.choice([16, 32, 64, 128]),               random.choice([16, 32, 64, 128]),               random.choice([1, 2, 4, 8]))        t = runtime(*cfg)        if t < best_t:            best_t = t            best = cfg    return best, best_t def pure_manual():    # 纯人工调度: 依赖专家经验直接给出配置    cfg = (64, 16, 4)    return cfg, runtime(*cfg) def hybrid(n_trials=100):    # 混合策略: 专家固定向量化因子, 自动搜索分块大小    vec_fixed = 8    best_t = float("inf")    best = None    for _ in range(n_trials):        cfg = (random.choice([16, 32, 64]),               random.choice([16, 32, 64]),               vec_fixed)        t = runtime(*cfg)        if t < best_t:            best_t = t            best = cfg    return best, best_t def main():    print("=== 调度策略性能对比(时间越小越好) ===")    cfg_a, t_a = pure_auto(200)    cfg_m, t_m = pure_manual()    cfg_h, t_h = hybrid(100)    print("纯自动调度: 配置={} 时间={:.3f}".format(cfg_a, t_a))    print("纯人工调度: 配置={} 时间={:.3f}".format(cfg_m, t_m))    print("混合调度:   配置={} 时间={:.3f}".format(cfg_h, t_h))    print("混合 vs 人工 加速比: {:.3f}x".format(t_m / t_h))    print("混合 vs 自动 加速比: {:.3f}x".format(t_a / t_h)) if __name__ == "__main__":    main()
目的：用一个小型模拟器对比纯自动、纯人工、混合三种调度策略的耗时表现，演示专家约束如何缩小搜索空间。
  1. score = (abs(bx - 32) / 32.0) ** 2 + \构造以(32,32,8)为中心的耗时函数，离最优越远耗时越高
  2. def pure_auto(n_trials=200):纯自动策略在完整搜索空间随机采样
  3. random.choice([16, 32, 64, 128])自动调度器从大范围候选值中采样
  4. vec_fixed = 8专家经验注入：固定向量化因子
  5. runtime(*cfg)用成本模型评估候选配置的耗时
  6. if t < best_t:保留当前最优解
  7. t_m / t_h计算混合策略相对纯人工的加速比

常见误区

误区以为用上AutoSchedule后，人工调度就彻底没用了，任何算子丢进去都能自动优化到最优。

正解自动调度在通用场景很强，但搜索空间大、成本模型有误差，在特殊硬件或非标准算子上可能找不到好方案。人工经验作为先验可以大幅缩小搜索空间。就像机器人厨师再勤奋，也不知道砂锅炖汤的秘密——大厨的红线能帮它少走弯路。

为何常见：因为AutoSchedule的宣传语往往是“一键调优”，让人忽略了它内部依然依赖初始模板和人工可调的搜索策略。

误区认为混合策略就是跑两遍（一遍自动一遍人工），然后把耗时短的那个结果拿出来用。

正解真正的混合策略是在调度生成阶段就融合：人工固定部分决策，自动探索其余决策。它不是“选结果”，而是“分空间”——大厨和机器人各负责一段流程，共同做出一道菜。

为何常见：把集成学习里多模型投票的直觉套到了调度问题上。

误区觉得专家把每个参数都写死，混合策略就更可控。

正解写死太多会让自动调优没有自由度，退化成纯人工。混合策略的价值在于只固定必要的结构约束，保留足够的探索空间。大厨若连油温都每次都定死，机器人的试菜能力就浪费了。

为何常见：控制欲强，总想亲自把关所有环节，忽略了自动搜索的规模化优势。

误区以为AutoSchedule把所有可能性都纳入搜索，就能找到更优解。

正解搜索空间指数增长后，采样密度下降，成本模型误差主导，反而更难找到好点。加入人工约束能筛掉大量无效区域，好比在十万道菜里找最好吃的，不如先排除九万道明显不合口味的。

为何常见：直觉上觉得“选项多 = 机会多”，忽略了搜索效率和成本模型精度。

面试题

Q1. AutoSchedule的主要优势是什么？

单选题 · easy

  • A.完全不需要硬件信息
  • B.自动探索大量调度方案← 正确答案
  • C.保证编译时间最短
  • D.生成的代码体积最小

答案：B。AutoSchedule 的核心价值是用搜索替代手工试错，自动探索大量调度候选。A 错误，成本模型仍需硬件特征；C 错误，编译时间不是它保证的指标；D 错误，代码体积不是调度关注的维度。就像机器人厨师能一夜试几千个菜谱，这是它最大的长处。

Q2. 人工调度最主要的优势是什么？

单选题 · easy

  • A.编译时间比自动调度长
  • B.可注入专家经验缩小搜索空间← 正确答案
  • C.生成的kernel体积最小
  • D.不需要考虑硬件特性

答案：B。人工调度的核心价值是专家经验注入，能快速排除无效方案、直指接近最优的调度结构。A 是劣势而非优势；C 与调度目标无关；D 错误，人工调度恰恰要深入理解硬件特性，比如缓存大小和指令集。

Q3. 混合策略中专家知识注入的方式包括？

多选题 · mid

  • A.模板预设← 正确答案
  • B.约束引导← 正确答案
  • C.反馈融合← 正确答案
  • D.禁用搜索

答案：ABC。专家知识注入的三种典型方式分别是模板预设（写好框架留参数）、约束引导（剪掉不合理调度）、反馈融合（用专家评价校准成本模型）。D 显然错误，混合策略不可能禁用自动搜索，否则就退化为纯人工调度了。

Q4. 成本模型在AutoSchedule中的作用是什么？

单选题 · mid

  • A.负责生成搜索空间
  • B.预测调度执行时间快慢← 正确答案
  • C.直接输出最优调度方案
  • D.修改底层硬件配置

答案：B。成本模型的作用是在真实运行前预测候选调度的执行时间，用于排序和筛选。它不负责生成搜索空间（那是草图机制的事），不直接输出最优（需要真实验证），更不会修改硬件配置。

Q5. 关于搜索空间，下列说法正确的有？

多选题 · mid

  • A.空间大小是选项的乘积← 正确答案
  • B.空间越大越容易找最优
  • C.人工约束可缩小空间← 正确答案
  • D.空间大小与硬件无关

答案：AC。搜索空间大小等于各变换选项数的乘积（A 对）。空间越大采样越稀疏，反而更难找最优（B 错）。人工约束正是用来缩小搜索空间的（C 对）。搜索空间依赖硬件特性，比如寄存器数量决定展开上限（D 错）。

Q6. TVM中实现混合策略的正确做法是什么？

单选题 · mid

  • A.仅用schedule手写循环
  • B.仅调用AutoTVM自动搜索
  • C.部分手写加自动调参← 正确答案
  • D.修改TVM源码重新编译

答案：C。TVM 中混合策略是通过手写部分 schedule 定义好结构，再用自动调优器搜索剩余参数来实现的。A 是纯人工，B 是纯自动，D 完全没必要。大厨写框架、机器人填细节，正是这一项的写照。

Q7. 为什么纯自动调度可能比人工调度更晚找到好结果？

单选题 · hard

  • A.人工调度代码本身运行得更快
  • B.搜索空间大且成本模型存在误差← 正确答案
  • C.自动调度过程无法进行并行
  • D.编译器无法运行GPU的内核代码

答案：B。纯自动调度面对的是指数级搜索空间，且成本模型存在预测误差，所以需要大量采样才能找到接近最优的方案。A 是结果而非原因；C、D 与实际不符，AutoSchedule 支持并行采样且能运行 GPU kernel。

Q8. 专家知识注入时，约束引导的作用有哪些？

多选题 · hard

  • A.排除明显低效的候选方案← 正确答案
  • B.保留专家认可的调度模式← 正确答案
  • C.完全替代成本模型的功能
  • D.缩小搜索空间以提升搜索效率← 正确答案

答案：ABD。约束引导通过剪枝排除低效调度（A 对）、保留专家认可的调度模式（B 对）、缩小空间提升效率（D 对）。它不能替代成本模型（C 错），两者是不同环节：约束管“能不能选”，成本模型管“选哪个更好”。

Q9. 某算子上纯自动调度耗时 1.5ms，人工调度 1.0ms，混合策略 0.8ms。以人工调度为基线，混合策略的加速比是多少？

单选题 · hard

  • A.加速比约为 1.2 倍
  • B.加速比约为 1.25 倍← 正确答案
  • C.加速比约为 1.5 倍
  • D.加速比约为 1.875 倍

答案：B。加速比等于基线时间除以混合策略时间：1.0ms ÷ 0.8ms = 1.25 倍。其余数字都是干扰项。这个计算和大厨店与混合店的出餐时间对比是同一个道理。

Q10. 当AutoSchedule的成本模型预测误差较大时，哪项策略最能缓解问题？

单选题 · extreme

  • A.进一步扩大搜索空间
  • B.引入真实测量校准模型← 正确答案
  • C.删除全部人工模板
  • D.调整循环分块的尺寸

答案：B。当成本模型偏差大时，用少量真实运行数据微调模型（即反馈融合）能最直接地降低误差。扩大搜索空间只会让采样更稀疏，删除模板会丢失先验，调整块尺寸与模型误差无关。机器人尝一口真菜，比瞎猜一万次都管用。