老王经营着一家小有名气的餐厅，招牌菜“红烧肉”每天要出几百份。后厨里每位师傅都有自己的做菜习惯：有的先煸糖色，有的后放；有的用砂锅，有的用高压锅。老王心里清楚，一定存在一种“最佳做法”，能在保证口味的同时让出餐最快——可他不可能把几千种做法都试一遍。这就是元调度（MetaSchedule）要解决的问题：它是 TVM 编译框架里的“自动调优总顾问”。当一段深度学习模型要在某个硬件上运行时，MetaSchedule 会像老王请来的效率顾问团那样，把算子的所有可行做法（调度方案）组成一张“招式大全”，用有经验的老师傅直觉（代价模型）先筛掉明显不行的，再挑少数方案真刀真枪进厨房掐表实测（采样），最后把最棒的那套写进“镇店秘籍”（数据库），下次直接照做。整个过程不需要人手工设计调度，搜索、评价、记录全部自动完成。本文就从“顾问团怎么工作”讲起，带你认识搜索空间、进化搜索、代价模型和数据库这几个核心部件，并聊聊工程实践中的常见坑。

岗位关联

理解 MetaSchedule 的“搜索—预测—采样—记录”闭环，是掌握现代 AI 编译器自动化调优的核心能力，能帮你把模型部署时的算子性能优化，从“手工调参”升级为“系统化自动优化”。

目录
  1. 可视化演示
  2. 基础概念定位
  3. 工作流程概览
  4. 进化搜索策略
  5. 代价模型预测
  6. 性能优化技巧
  7. 实践问题诊断
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示TVM元调度MetaSchedule：TensorIR块级抽象（Block/迭代空间/Buffer），默认与自定义调度规则分类，及搜索空间自动调优的收敛过程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

TensorIR块级抽象 Block描述迭代空间与访问缓冲区 MetaSchedule围绕Block调度优化 Block=(iter_vars,buffer) 无需手写模板即可生成搜索空间。

基础概念定位

老王后厨的效率顾问团上任前，先和老板对齐了一件事：他们不负责改菜谱，也不负责换锅灶，只负责研究“同一道红烧肉，在咱们这套炉灶上，怎么安排工序才能最快出锅”。这看似简单的定位，恰恰是整个优化的起点。在 AI 编译的世界里，“菜谱”就是模型结构，“锅灶”就是 CPU/GPU 等硬件，而“工序安排”就是调度（Schedule）。

调度需要回答一连串具体问题：算子的循环要不要分块、分成几层？内层循环要不要向量化？中间结果放在哪一级缓存？多个算子能不能融合成一次计算？在 TVM 早期，这些决定由专家为每个算子手写模板；而 MetaSchedule 的理念是：让机器自己在这些决定的组合里搜索，找出最优解。

MetaSchedule 是 TVM 编译框架中负责算子自动调优（auto-tuning）的子系统。它把“生成调度”形式化为一个优化问题：在所有可行的调度方案里，找到目标硬件上执行时间最短的那一个。

它的特点在于：用 Trace 记录调度变换历史，用进化搜索探索新方案，用代价模型低价预判，用真机采样校准，再用数据库沉淀每个算子的最终结论。

正如顾问团把“怎么做最快”变成一个可以被反复实验回答的问题，MetaSchedule 把“怎么调度最优”也变成了可搜索、可学习、可积累的工程问题——老王的红烧肉从 18 分钟压到 9 分钟，靠的就是这份“把问题定义清楚”的功夫。

min⁡s∈S  T硬件(s)\min_{s \in \mathcal{S}} \; T_{\text{硬件}}(s)
这个公式是全部自动调优的“总目标”：在搜索空间 S 里找一个调度 s，让它在目标硬件上的执行时间 T(s) 最短。后面讲的搜索、预测、采样，全都在为这个目标服务。
  1. 调度变量 s一个具体的调度方案，比如“循环分块 4×4 再加向量化”。
    s∈Ss \in \mathcal{S}
  2. 搜索空间 S该算子所有合法调度变换构成的集合，相当于“招式大全”。
    S={全部可行的调度方案}\mathcal{S} = \{ \text{全部可行的调度方案} \}
  3. 目标函数 T调度在真实硬件上执行所耗费的时间。
    T硬件(s)T_{\text{硬件}}(s)
  4. 全局最小化从搜索空间中挑出耗时最小的那个调度，这就是顾问团的使命。
    min⁡s∈S\min_{s \in \mathcal{S}}

工作流程概览

顾问团的正式工作分四步走：第一步，把所有可能的工序变换罗列成一张“招式大全”；第二步，请几位老师傅凭直觉圈出少数几个有希望的做法；第三步，真的进厨房，一道一道掐表实测；第四步，把最终胜出的做法工工整整誊进“镇店秘籍”。第二天，任何师傅照做就行，不用再试。

对应到 MetaSchedule 中，这四步会一轮一轮循环往复，直到收敛。每一轮迭代，系统先构建搜索空间，再用进化搜索生成一批候选调度；候选交给代价模型打分排序，挑出少数高分的进入真机采样；测量结果写进数据库，随后用这些新数据重新训练、更新代价模型。

这条流水线可以用集合的视角清楚地表示：

这四步和“试菜品”的节奏一模一样——招式大全越画越全，老师傅直觉越用越准，秘籍越写越厚，后厨的整体出餐速度自然一轮快过一轮。

S⏟搜索空间  →进化搜索  C⏟候选集  →代价模型筛选  A⏟待测集  →真机采样  D⏟实测记录\underbrace{\mathcal{S}}_{\text{搜索空间}} \;\xrightarrow{\text{进化搜索}}\; \underbrace{\mathcal{C}}_{\text{候选集}} \;\xrightarrow{\text{代价模型筛选}}\; \underbrace{\mathcal{A}}_{\text{待测集}} \;\xrightarrow{\text{真机采样}}\; \underbrace{\mathcal{D}}_{\text{实测记录}}
  1. 搜索空间 S该算子全部合法调度方案的集合，就是那张“招式大全”。
    S={全部可行调度方案}\mathcal{S} = \{ \text{全部可行调度方案} \}
  2. 候选集 C进化搜索从搜索空间中生成的一批待评估调度，是大全集的一个子集。
    C⊆S\mathcal{C} \subseteq \mathcal{S}
  3. 待测集 A代价模型打分后筛出的、值得真机实测的调度子集，预算只花在刀刃上。
    A⊆C\mathcal{A} \subseteq \mathcal{C}
  4. 实测记录 D真机测量得到的“调度—耗时”对应关系，随后写入数据库。
    D={(s,  t实测(s))∣s∈A}\mathcal{D} = \{ (s,\; t_{\text{实测}}(s)) \mid s \in \mathcal{A} \}

进化搜索策略

顾问团怎么产生“新做法”？不是凭空乱编。它把当前表现不错的几套做法当成一个“种群”，让它们互相借鉴：把 A 的煸糖色步骤和 B 的收汁手法拼在一起，再把火候参数稍微拨动一点，就得到一批新做法。这正是进化搜索（Evolutionary Search）的日常。

MetaSchedule 把进化搜索作为默认探索策略之一，种群里的每个个体是一条调度 Trace——也就是对算子做过的全部变换的完整记录。“变异”算子对单条 Trace 做小幅随机改动，“重组”算子把两条 Trace 的片段拼成新个体，再用预测加实测的评价结果做“选择”，决定谁进入下一代。

每一代种群更新用公式表示就是：

就像后厨里最快的做法往往是几位师傅手艺“杂交”的产物，进化搜索的价值正在于它能把分散在无数候选方案里的优秀片段重新组合，让“效率基因”代代相传。

Pt+1=TopK(Pt  ∪  {Mutate(s):s∈Pt}  ∪  {Recombine(sa,sb)})\mathcal{P}_{t+1} = \text{TopK}\Big( \mathcal{P}_t \;\cup\; \{\text{Mutate}(s) : s \in \mathcal{P}_t\} \;\cup\; \{\text{Recombine}(s_a, s_b)\} \Big)
  1. 当前种群 P_t第 t 代仍被保留的候选调度集合，相当于“现役做法清单”。
    Pt={s1,s2,…,sK}\mathcal{P}_t = \{ s_1, s_2, \dots, s_K \}
  2. 变异算子 Mutate对某个调度做一小步随机扰动，生成一个新个体。
    Mutate(s)↦s′\text{Mutate}(s) \mapsto s'
  3. 重组算子 Recombine把两个调度的片段拼接成一个混合个体。
    Recombine(sa,sb)↦sab\text{Recombine}(s_a, s_b) \mapsto s_{ab}
  4. TopK 选择把原种群与新生个体合并，按评价结果排序，只保留最优的 K 个。
    Pt+1=TopK(Pt∪{新生成个体})\mathcal{P}_{t+1} = \text{TopK}\big(\mathcal{P}_t \cup \{ \text{新生成个体} \}\big)

代价模型预测

每次试做都要占灶台、占师傅时间。老师傅的价值在于：不用真动手，光看菜谱就能说出“这写法八成慢”。MetaSchedule 里的“老师傅”，就是代价模型（Cost Model）——一个靠数据喂出来的性能预测器。

代价模型以调度的结构化特征（循环结构、访存模式、向量化宽度、并行度等）为输入，输出对执行时间的估计。为了更稳，MetaSchedule 同时训练多个模型，让它们集成投票，就像后厨遇到难题时把几位老师傅都叫来会诊，少数服从多数。

集成预测的公式如下：

老师傅的直觉来自千万次实测的积累，代价模型的直觉来自数据库里每条“调度—耗时”记录的喂养。两者都是“越见多识广，判断越准”。

t^(s)=1K∑k=1Kmk(s)  ≈  t实测(s)\hat{t}(s) = \frac{1}{K} \sum_{k=1}^{K} m_k(s) \;\approx\; t_{\text{实测}}(s)
  1. 特征映射每个代价模型 m_k 都把调度 s 的结构化特征映射成一个实数耗时。
    mk:F(s)↦Rm_k : \mathcal{F}(s) \mapsto \mathbb{R}
  2. 集成取平均K 个模型的预测值求平均，用多个视角抑制单一模型的偏差。
    t^(s)=1K∑k=1Kmk(s)\hat{t}(s) = \frac{1}{K} \sum_{k=1}^{K} m_k(s)
  3. 逼近实测集成预测要不断逼近真实采样结果，预测只是“预判”，实测才是“定案”。
    t^(s)≈t实测(s)\hat{t}(s) \approx t_{\text{实测}}(s)

性能优化技巧

秘籍越来越厚，老王反而学会了克制：招牌菜可以慢慢调，天天卖，收益大；时令菜一个月就下架，就不值得砸一整天调优。调优预算的分配，本身就是一门手艺。

MetaSchedule 暴露了几个关键旋钮：max_trials 控制总采样预算，num_trials_per_iter 控制每轮实测数量，进化搜索还有种群大小与变异概率。要判断调优值不值，用加速比说话——它是“优化后比优化前快了多少倍”的直观度量：

工程实践中三招最实用：一是先 profile 定位热点算子，把预算砸在耗时占比最高的算子上；二是不同硬件分别维护数据库，同一调度在 Intel CPU 与 ARM 上可能差出数倍；三是增量调优，新模型上线时先查数据库匹配相似算子，直接复用历史最优调度。

老王按“招牌菜/常销菜/时令菜”分档分配预算，省下的时间还能研发新菜；调优工程师按“热点/普通/简单”算子分配 max_trials，省下的算力能覆盖更多模型。

Speedup=T默认调度T搜索所得调度\text{Speedup} = \frac{T_{\text{默认调度}}}{T_{\text{搜索所得调度}}}
  1. 分母初始默认调度的执行时间，即“师傅按习惯做法出菜”的耗时。
    T默认调度T_{\text{默认调度}}
  2. 分子MetaSchedule 最终输出的最优调度的执行时间。
    T搜索所得调度T_{\text{搜索所得调度}}
  3. 加速比两者作比，大于 1 说明自动调优带来净收益，越大越值。
    Speedup=T默认调度T搜索所得调度\text{Speedup} = \frac{T_{\text{默认调度}}}{T_{\text{搜索所得调度}}}

实践问题诊断

顾问团新到任第一天往往会抓瞎：秘籍是空的，老师傅直觉也还没建立，这就是“冷启动”（cold start）。更麻烦的是，有些顾问只凭观察不掐表，自认为找到最快做法，实际出餐纹丝不动——这就像代价模型过拟合。

实践中四类问题最常见：冷启动（数据库为空、代价模型无历史可学）、过拟合（模型对已测样本拟合好、对新方案预测失准）、缓存失效（目标硬件或编译选项变化后旧记录作废）、收敛误判（停太早错过优化机会，或死磕到底浪费预算）。

判断何时该停，常用相对收益变化阈值：

应对冷启动的通用解法是让首轮用随机多样化的初始种群快速铺开搜索；应对过拟合则要增加采样真值、控制模型容量，并用集成抑制单模型偏差。

老王给顾问团立了条规矩：“新做法至少实测三次，三次都又快又稳才准录进秘籍。”收敛判据和校准流程，就是这条规矩的工程版——有了它，顾问团才不会把“看起来快”当成“真的快”。

∣ ti−ti−1 ∣ti−1<ε\frac{|\,t_{i} - t_{i-1}\,|}{t_{i-1}} < \varepsilon
  1. 相邻两轮冠军耗时t_i 与 t_{i-1} 表示第 i 轮与上一轮的最优实测耗时。
    ti,  ti−1t_i,\; t_{i-1}
  2. 相对抖动用差的绝对值除以 t_{i-1}，得到冠军耗时的相对变化率。
    ∣ ti−ti−1 ∣ti−1\frac{|\,t_i - t_{i-1}\,|}{t_{i-1}}
  3. 阈值判停当相对变化率小于设定阈值（如 0.01）且连续多轮成立时，判定收敛。
    ∣ ti−ti−1 ∣ti−1<ε\frac{|\,t_i - t_{i-1}\,|}{t_{i-1}} < \varepsilon

AI 应用场景

云端推理服务加速

阶段：模型部署与推理优化

解决的问题：传统手工调算子配置的方式耗时且难迁移，换一个模型就要重新试一遍；MetaSchedule 自动为每个算子在目标 CPU/GPU 上搜索最优调度，把单条推理时延降低 30%-60%，调度结果沉淀进数据库后，模型更新还能增量复用。

具体案例：某广告推荐团队用 MetaSchedule 调优 DeepFM 模型，单次推理 P99（99% 请求的时延上限）从 8ms 降到 3ms；每月模型迭代时共享数据库里的历史最优调度，再优化时间从小时级压缩到分钟级。

新硬件架构适配

阶段：编译器后端移植

解决的问题：新出的 AI 芯片没有成熟算子库，手写算子优化通常要数月；MetaSchedule 只需注册目标的 Target 硬件描述，就能自动搜索适配新硬件特性的调度，把“写算子库”变成“搜调度”。

具体案例：某芯片公司的编译器团队针对自研 NPU 接入 MetaSchedule，两周内拿到接近手写算子库的 ResNet50 性能，之后新增算子无需再手工调优。

多模型多端部署平台

阶段：模型服务与迭代

解决的问题：平台每天上线成千上万个模型，逐个手工调优不现实；MetaSchedule 的数据库可以作为共享“经验库”，跨模型复用相似算子的调度，实现规模化自动调优。

具体案例：某云厂商的 AI 推理平台把 MetaSchedule 封装成自动流水线：模型上传后自动触发调优，数据库共享相似算子经验，平均单个模型的调优时间从 6 小时压到 40 分钟。

Python 演示

python40 行
import numpy as npimport tvmfrom tvm import meta_schedule as msfrom tvm import relayfrom tvm.contrib import graph_executor  def tune_inference(model_name="resnet18", max_trials=1000):    """Use MetaSchedule to auto-tune an inference model."""    if model_name == "resnet18":        mod, params = relay.testing.resnet.get_workload(num_layers=18)    else:        raise ValueError("only resnet18 is supported in this demo")    target = tvm.target.Target("llvm -mcpu=skylake")    # a memory database stores (schedule, measured_time) pairs    db = ms.database.MemoryDatabase()     tuned = ms.tune_relay(        mod,        target=target,        params=params,        strategy="evolutionary",        max_trials=max_trials,        num_trials_per_iter=32,        work_dir="ms_demo_logs",        database=db,    )    # build the best schedule into an executable library    lib = tuned.build()    ctx = tvm.cpu(0)    module = graph_executor.GraphModule(lib["default"](ctx))    data = np.random.uniform(size=(1, 3, 224, 224)).astype("float32")    module.set_input("data", data)    module.run()    mean_ms = np.mean(module.benchmark(ctx, number=10, repeat=3).results) * 1000    print("inference latency after tuning (ms):", round(mean_ms, 3))  if __name__ == "__main__":    tune_inference()
目的：演示如何使用 TVM 的 MetaSchedule 对 ResNet-18 全网络算子做自动调优，并在本机 CPU 上实测调优后的推理时延。
  1. db = ms.database.MemoryDatabase()创建内存数据库，存放“调度 + 实测耗时”对，供代价模型学习
  2. strategy="evolutionary"指定进化搜索策略来探索调度空间
  3. max_trials=max_trials总采样预算上限，控制调优时间与效果上限
  4. num_trials_per_iter=32每轮实测 32 个候选，让代价模型尽早参与筛选
  5. work_dir="ms_demo_logs"调优日志落盘，方便复现与审计
  6. tuned.build()用搜到的最优调度编译出可执行库
  7. module.benchmark(ctx, number=10, repeat=3)真机实测多次取平均，这是对调优成果的最终打分
  8. np.mean(...) * 1000把秒换算成毫秒，得到易读的推理时延

常见误区

误区MetaSchedule 就是把专家经验写成规则库，然后用规则去匹配每个算子，本质上是给 AutoTVM 的模板套了个新名字。

正解MetaSchedule 是搜索驱动的框架：它维护搜索空间，用进化搜索生成候选调度，用代价模型打分筛选，再用真机采样校准。规则和模板最多作为初始种群或历史引导，主体是“搜索 + 学习”，而不是规则匹配。

为何常见：AutoTVM 时代的模板给人留下“规则库”的印象，而 MetaSchedule 也支持用户提供初始调度，容易让人误以为本质没变。

误区代价模型既然能预测性能，那让模型筛出最优调度直接用就行，何必浪费时间真机跑？

正解代价模型是“廉价但会错”的估计器，它的预测必须不断用真机实测数据校准。如果完全依赖预测，模型一旦对某类变换失准，就会把次优调度当成最优。正确分工是：代价模型负责粗筛省预算，真机采样负责最终裁决。

为何常见：宣传中强调“用学习预测性能”，让初学者误以为预测取代了测量，忽略了模型需要真值监督这个基本事实。

误区调优就是烧预算，直接把 max_trials 设成一百万，暴力搜索总能找到最好的调度。

正解每次采样都要走“编译 → 加载 → 执行”完整流程，代价远超普通函数调用。简单算子几百次就收敛，热点算子几千次足矣；超过收敛点继续烧钱，收益趋近于零，还可能因数据噪声动摇已稳定的数据库记录。

为何常见：直觉上“多试几次总没错”，但编译型优化的单次采样成本昂贵，预算分配本身就是一门需要调优的艺术。

误区进化搜索的种群设得越大，每一代覆盖的调度越多，收敛一定更快。

正解种群过大会让每轮待评估的候选变多，挤占采样预算、拖慢代价模型更新频率。MetaSchedule 讲究种群规模、变异概率、代数三者平衡，很多时候 32-64 的小种群配合好的变异/重组算子，比千人种群更早收敛。

为何常见：从遗传算法教科书直接搬结论，忽略了编译评估的昂贵特性——这里的瓶颈不是种群多样性，而是采样预算。

误区MetaSchedule 的数据库不就是个编译缓存吗？磁盘满了清掉，下次重新调就是了，反正能自动跑。

正解数据库同时是“历史经验”——代价模型依赖库里的真实采样对来训练更新。清空数据库等于让代价模型失忆，所有已学到的性能规律全部丢失，冷启动重来一次。编译缓存只是顺带产物，数据库的主角是“调度 + 实测耗时”的对应记录。

为何常见：数据库名字带“库”，又有复用结果、加快后续调优的表观效果，容易被当成可随意清理的缓存。

面试题

Q1. MetaSchedule 的核心目标是什么？

单选题 · easy

  • A.自动搜索算式子的高效调度← 正确答案
  • B.手工为每个算子编写模板
  • C.代替整个深度学习训练框架
  • D.把模型直接翻译成 Python 代码

答案：A。MetaSchedule 的核心目标是从搜索空间中自动找出算子的高效调度，替代手工写模板。B 说反了，C 与训练框架无关，D 更是误解。用“老王找最快做法”来类比，顾问团负责找做法，不是换菜谱也不是换厨房。

Q2. 在 MetaSchedule 中，“搜索空间”是指什么？

单选题 · easy

  • A.所有可行调度方案构成的集合← 正确答案
  • B.编译器的内存分配策略
  • C.网络结构搜索出来的模型集
  • D.磁盘上存放日志的文件夹

答案：A。搜索空间是所有合法调度变换组合的集合，相当于后厨的“招式大全”。内存分配只是调度的一部分，网络结构搜索是 NAS 的范畴，日志文件夹只是调优产物，三项都不是搜索空间的本意。

Q3. 代价模型的主要作用是什么？

单选题 · easy

  • A.免去真机采样这一关键环节
  • B.快速粗筛候选调度以节省预算← 正确答案
  • C.直接编译生成最终的执行库
  • D.自动修改目标硬件的微架构

答案：B。代价模型用廉价预测筛掉明显不行的候选，把采样预算留给值得实测的调度。它不能取代采样（A 错），不负责编译（C 错），更不可能修改硬件（D 错）。

Q4. 进化搜索中常用的算子有哪些？

多选题 · mid

  • A.变异：对调度进行小幅随机扰动← 正确答案
  • B.重组：拼接两个调度的优秀片段← 正确答案
  • C.选择：保留耗时较短的优质个体← 正确答案
  • D.清空：丢弃数据库中所有旧记录

答案：ABC。变异、重组、选择是进化搜索的三板斧：变异做局部扰动，重组拼接亲代片段，选择保留优者淘汰劣者。清空数据库是破坏性操作，不是进化算子，故选 ABC。

Q5. 为什么真机采样环节必不可少？

单选题 · mid

  • A.代价模型的预测需要用实测校准← 正确答案
  • B.采样能让模型结构变得更深
  • C.采样会自动修改源代码的注释
  • D.采样是为了增加总体的调优预算

答案：A。代价模型始终存在预测偏差，必须用真机采样得到的真实耗时来校准，正如老师傅的直觉也要靠掐表来验证。B、C、D 均与采样目的无关。

Q6. 数据库（Database）通常会记录哪些内容？

多选题 · mid

  • A.最优调度对应的 Trace 记录← 正确答案
  • B.该调度在真机上的实测耗时← 正确答案
  • C.训练代价模型所需的采样对← 正确答案
  • D.网络模型训练用的原始图像集

答案：ABC。数据库记录最优调度 Trace、实测耗时，以及用于训练代价模型的“调度—耗时”采样对，相当于“秘籍 + 实测账本”。原始图像集是模型训练的数据，不归编译器数据库管。

Q7. “冷启动”问题指的是什么？

单选题 · easy

  • A.数据库为空且代价模型无历史可学← 正确答案
  • B.编译器进程启动需要消耗很多时间
  • C.一块新 GPU 到手后温度比较低
  • D.搜索算法的随机数种子没有固定好

答案：A。冷启动指调优开始阶段数据库为空、代价模型没有历史数据可学、预测能力弱。应对办法是首轮用多样化的随机初始种群铺开搜索。B、C、D 都是对“冷”的字面误解。

Q8. 关于 MetaSchedule 的收敛判定，正确的是？

单选题 · hard

  • A.连续轮次最优耗时变化小于阈值即可停← 正确答案
  • B.采样次数超过一万后必然已经收敛
  • C.收敛后需要手动清空数据库以提升性能
  • D.收敛与否只能靠工程师人工观察判断

答案：A。工程判据是看相邻轮次最优实测耗时的相对变化，连续多轮小于阈值（如 0.01）即可停止。B 中“必然收敛”过于绝对；C 清空数据库会丢掉经验和模型记忆；D 完全否定了自动化判据的价值。

Q9. 代价模型采用集成（Ensemble）策略的好处是什么？

多选题 · hard

  • A.多个模型投票减少单个模型的偏差← 正确答案
  • B.有效提升预测的稳定性与鲁棒性← 正确答案
  • C.可以把真机采样的误差完全消除
  • D.不同初始化模型带来互补的特征判断← 正确答案

答案：ABD。集成通过多模型投票降低单一模型的随机偏差和盲区，不同初始化或不同类型的模型互为补充，预测更稳定。但它不可能“完全消除”采样误差，实测环节始终需要，故选 ABD。

Q10. 关于 MetaSchedule 与 AutoTVM 的区别，正确的是？

单选题 · extreme

  • A.前者以搜索加学习为主后者依赖人工模板← 正确答案
  • B.两者仅仅是名称不同本质实现完全一致
  • C.AutoTVM 比 MetaSchedule 覆盖面大得多
  • D.MetaSchedule 只能调优训练阶段的算子

答案：A。AutoTVM 依赖专家为每个算子写模板来定义搜索空间形状，MetaSchedule 则用机器学习与随机搜索相结合的方式自动生成和探索调度，覆盖面更广。因此 B、C 错误，D 更是对应用范围的误读。