想象你是一家网红餐厅的主厨，想研发一道新招牌菜。你有上百种食材、十几种烹饪手法，排列组合出几万种可能性。每做一道实验菜，都要采购、切配、开火、装盘、请人品鉴，动辄半小时起步。如果每个组合都认认真真做一遍，这辈子都试不完。聪明的主厨会怎么做？先做一口量的迷你试吃，快速判断大方向对不对；让几位帮厨同时试做不同的配方；尝一口发现调味不对劲，立刻倒掉，绝不做完整流程——把省下的时间留给真正有潜力的候选。这就是“调优效率优化”的精髓：在有限的评估预算内，用最聪明的策略找到接近最优的方案，而不是傻傻地试遍所有可能。本文将带你走进 AI 编译器自动调优的后厨，看看 TVM 是如何把“数万年试不完”的搜索任务压缩到几小时的。

岗位关联

对 AI 从业者而言，掌握调优效率优化意味着能用更少的算力和时间驯服性能调优这只“时间怪兽”，无论是部署模型还是设计算子，都能在工程预算内交出“接近最优”的答卷。

目录
  1. 可视化演示
  2. 效率瓶颈分析
  3. 多保真度测量
  4. 并行搜索策略
  5. 早期剪枝机制
  6. 搜索策略优化
  7. 工程实践落地
  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AutoTVM调优中搜索空间缩减、成本模型预筛选与并行测量对调优时间与质量的提升效果。

本节配有交互动效（进入视口后自动加载，约 3KB）。

空间缩减：约束剪枝搜索空间 按约束排除不可行调度方案 空间从数百万缩至数千 space=prune(feasible) 减少测量次数提升效率

效率瓶颈分析

后厨试菜的账本其实很好算：每道实验菜要买食材、开火、请人品鉴，一次半小时；如果配方组合有几十万种，就算不眠不休也要几十年。聪明的后厨在开工前一定先算总账——成本 = 尝试次数 × 单次成本。只有把这两个乘数都压下来，调优才可能在可接受的时间内完成。

AutoTVM 面对的是同样的账。它要搜索的“配方”是算子的调度配置：循环怎样分块、向量化怎么排、并行线程如何分配，这些调度指令的组合动辄超过 \(10^{15}\) 种。而“试一道菜”的成本，是编译出一个可执行程序并运行基准测试，一次通常要 3～30 秒。若老老实实试遍所有组合，消耗的时间以万年计，这在现实工程中完全不可行。

于是我们得到一个朴素却关键的总时间模型：

明白了瓶颈，后厨的应对策略就清晰了：与其硬着头皮把每道菜都做完整，不如在小份试吃、多人并行、尝一口止损这些环节上做文章——这正是接下来几节要讲的多保真度测量、并行搜索和早期剪枝。

Ttotal≈Nattempts×Tmeasure\displaystyle T_{total} \approx N_{attempts} \times T_{measure}
总调优时间 ≈ 尝试次数 × 单次测量时间：把任何一个乘数降下来，总时间就能成比例地缩短，这就是所有调优效率技术的出发点。
  1. 尝试次数（N_attempts）调优过程中需要评估的调度配置总数，对应后厨要试做的菜品数量。
    Nattempts\displaystyle N_{attempts}
  2. 单次测量时间（T_measure）对一个配置完成“编译+运行基准”的平均耗时，等于做一道完整实验菜的成本。
    Tmeasure\displaystyle T_{measure}
  3. 总时间（T_total）两者相乘得到整体开销。搜索空间大、单次又贵，乘积就会爆炸到不可接受。
    Ttotal≈Nattempts×Tmeasure\displaystyle T_{total} \approx N_{attempts} \times T_{measure}

多保真度测量

主厨很聪明：面对一万种配方，他先做迷你版试吃——只用一小撮食材、三分钟出锅、让助手尝一口判断大方向。味道对的才值得满汉全席式的完整烹饪，味道不对的直接从名单里划掉。小份试吃虽然不够精确，却能以十分之一的成本告诉主厨“这道菜值不值得继续”。

AutoTVM 把同样的思路叫多保真度测量。高保真测量是完整跑一遍基准测试，精确但昂贵；低保真测量则通过减少运行次数、缩小输入尺寸或缩短预热时间，换来一次快速但带噪声的粗估。调优的流程变成两级漏斗：先用低保真快速评估所有候选，把明显不行的过滤掉，只对幸存者做高保真的精确测量。

小份试吃的哲学在调优里同样成立：粗筛阶段不求精确，只求排序能力；一旦确认方向正确，再投入重兵精测。这样既保住了最终精度，又让总评估成本从“天文数字”降到了“可以接受”。

Ctotal=ncoarse×ccheap+nfine×cexpensive\displaystyle C_{total} = n_{coarse} \times c_{cheap} + n_{fine} \times c_{expensive}
这里 \(n_{fine} \ll n_{coarse}\)（通过粗筛的候选远少于总数），而 \(c_{expensive} \gg c_{cheap}\)（高保真单次成本远高于低保真）。用大量便宜测量替换大量昂贵测量，成本结构就被彻底改写了。
  1. 粗筛总量（n_coarse）进入低保真阶段的所有候选配置数量，往往成千上万。
    ncoarse\displaystyle n_{coarse}
  2. 粗筛单价（c_cheap）一次低保真测量的平均成本，比如小份试吃的三分钟。
    ccheap\displaystyle c_{cheap}
  3. 精测数量（n_fine）通过粗筛、值得完整测量的少数幸存者。
    nfine\displaystyle n_{fine}
  4. 精测单价（c_expensive）一次高保真测量的平均成本，昂贵但只作用于少数。
    cexpensive\displaystyle c_{expensive}

并行搜索策略

有了试吃原则，主厨决定进一步提速：不再自己一口一口尝，而是请三位帮厨同时开火——帮厨A试配方甲、帮厨B试配方乙、帮厨C试配方丙。三人共用一个笔记本记录彼此的发现，避免两人同时研究同一道菜；谁先做完谁领下一个任务，灶台永不闲置。这就是并行搜索的朴素力量。

在 AutoTVM 中，并行体现在两个层面：一是在多块 GPU 或多台机器上同时评估不同候选配置，把测量时间平摊到多个“灶台”；二是共享搜索结果——已评估配置的性能数据会被汇总起来，供搜索策略学习，避免多个 worker 重复探索同一片相似区域。再加上任务队列的动态调度，让算力始终饱和。

请更多帮厨不是无限有效的——三人并行省了三分之二时间，但三十人并行时，笔记本共享和任务分配反而会拖慢节奏。工程上要找到并行度与协调开销之间的平衡点，让每个灶台都有活干，又不至于互相踩脚。

Tparallel≈n×tmeasurem+toverhead\displaystyle T_{parallel} \approx \frac{n \times t_{measure}}{m} + t_{overhead}
理想情况下，总测量时间除以并行设备数 \(m\) 就是并行后的时间；但设备之间的通信、任务调度会带来额外开销 \(t_{overhead}\)，所以实际加速比永远小于 \(m\)。
  1. 测量总工作量全部候选用单台设备测量所需的总时间，等于数量乘以单价。
    n×tmeasure\displaystyle n \times t_{measure}
  2. 并行分摊这些工作量由 \(m\) 台设备同时承担，每台只需做其中的一份。
    n×tmeasurem\displaystyle \frac{n \times t_{measure}}{m}
  3. 调度开销worker 之间同步结果、协调任务带来的额外时间成本。
    toverhead\displaystyle t_{overhead}

早期剪枝机制

帮厨小李端上一盘菜，主厨只沾了一小口，眉头一皱：“盐放错了，倒掉。”小李不解：“还没做完呢，万一后面变好吃了呢？”主厨摇头：“调味基调已经错了，继续做只是浪费食材。”这就是早期剪枝：在测量进行到一半时，果断终止那些明显没希望的候选。

AutoTVM 的剪枝逻辑类似。高保真测量不是瞬间出结果的，它需要跑很多轮迭代才能算出平均性能。如果在测量过程中发现，按当前速度外推，这个配置的最终耗时已经超过了目前已知的最优配置，那还有什么理由继续等它跑完？提前终止它，把 GPU 释放给下一个候选，才是对预算的尊重。

这不是赌博，而是基于充分证据的止损决策。剪枝的风险是可能误杀“先慢后快”的罕见配置，但实验证明这种配置少之又少。用极小的概率损失，换取评估时间的大幅缩减，这笔账主厨算得很清楚。

tpred=telapsedkelapsed×K\displaystyle t_{pred} = \frac{t_{elapsed}}{k_{elapsed}} \times K
\(t_{pred}\) 是按“已完成迭代的平均耗时”外推出的完整测量时间。若 \(t_{pred}\) 已经超过当前最优配置的总耗时 \(t_{best}\)，说明即使做完也不可能更优，于是触发剪枝。
  1. 已耗时间与已完成迭代测量进行到中途时，记录用掉的秒数和跑完的迭代轮数。
    telapsed,  kelapsed\displaystyle t_{elapsed},\; k_{elapsed}
  2. 外推完整耗时用已完成部分的平均速度估算全程所需总时间。
    telapsedkelapsed×K\displaystyle \frac{t_{elapsed}}{k_{elapsed}} \times K
  3. 剪枝条件预测值比当前最优还差，则立即终止该配置的测量。
    tpred>tbest\displaystyle t_{pred} > t_{best}

搜索策略优化

后厨的笔记本越来越厚：哪类食材组合受欢迎、哪个火候区间容易翻车、哪些配料搭配从没被尝试过。主厨不再随机翻菜谱，而是根据笔记建立一张“口味地图”，每次选出最有可能成为招牌菜的配方去试做。比盲目试菜聪明得多——搜索策略决定了每一轮“试哪道菜”，这是效率的另一半。

AutoTVM 中的搜索策略有三件武器。贝叶斯优化用历史测量数据训练一个回归模型，预测未尝试配置的性能，再通过采集函数挑出“期望改进最大”的下一个候选。进化搜索模仿自然选择，让表现好的配置交叉、变异生成新配置，一代代逼近最优。奖励预测器则训练一个轻量网络直接预测配置的得分，替代成本高昂的真实测量，只有预测结果存疑时才回落到实际运行。

有了“口味地图”导航，调优的每一轮尝试都比随机碰运气更有方向感。笔记越厚，猜测越准，需要实际试做的次数就越少——这正是搜索策略优化压缩 \(N_{attempts}\) 的方式。

xnext=arg⁡max⁡x(μ(x)−fbest)\displaystyle x_{next} = \arg\max_{x}\left( \mu(x) - f_{best} \right)
这是贝叶斯优化中选择下一个候选的核心思想：在所有未尝试的配置 \(x\) 中，挑一个“预测性能均值 \(\mu(x)\) 超出当前最优 \(f_{best}\) 最多”的去实测。这就是所谓“期望改进最大化”，真实实现还会叠加不确定性的探索项。
  1. 候选配置（x）一组尚未被实际测量过的调度配置，相当于一道还没试做的菜。
    x\displaystyle x
  2. 预测均值（μ(x)）回归模型对该配置性能的估计，来自历史笔记的推断。
    μ(x)\displaystyle \mu(x)
  3. 相对当前最优的改进预测值高出已知最好成绩的部分，改进量越大越诱人。
    μ(x)−fbest\displaystyle \mu(x) - f_{best}
  4. 选最大值（arg max）遍历所有候选，找出期望改进最大的那一个投入下一轮实测。
    arg⁡max⁡x\displaystyle \arg\max_{x}

工程实践落地

主厨把前三节的招数整合进后厨管理制度：先看笔记定方向（搜索策略），再做小份试吃粗筛（多保真度），三位帮厨同时开工（并行），尝一口不对劲就倒掉（早剪枝）。流程跑通了，招牌菜的研发周期从半年压缩到一周。这就是调优效率优化在 AutoTVM 中的完整形态。

实践中，AutoTVM 的完整调优流程把这些手段编织在一起：任务调度器负责并行分发候选配置；测量模块执行多保真度评估并支持提前终止；搜索模块根据结果更新预测模型。效果评估不能只看最终性能，还要看“效率比”——同样的时间预算下，优化后的流程找到的配置是否显著优于暴力搜索。最佳实践总结起来就三句话：先粗筛后精测，并行度按资源定，历史数据一定要复用。

综合起来，整个调优过程的预算模型长这样：

后厨的管理制度一旦固化，效率就成了可复制的标准流程。AutoTVM 的调优效率优化也是如此——它不是某一招的功劳，而是多保真度、并行、剪枝和搜索策略的组合拳；每一拳都打在时间的账本上，把总预算压缩到工程可接受的范围。

Tbudget=ncoarse×ccheapm+nfine×cexpensive+Toverhead\displaystyle T_{budget} = \frac{n_{coarse} \times c_{cheap}}{m} + n_{fine} \times c_{expensive} + T_{overhead}
总预算 = 并行摊薄后的粗筛成本 + 少量幸存者的精测成本 + 建模与调度开销。这个模型把前几节的手段统一进一个公式：粗筛替代暴力、并行分摊成本、剪枝控制 \(n_{fine}\)、预测器压低 \(T_{overhead}\) 的边际影响。
  1. 并行粗筛阶段大量候选以低保真方式评估，成本被并行设备数 \(m\) 摊薄。
    ncoarse×ccheapm\displaystyle \frac{n_{coarse} \times c_{cheap}}{m}
  2. 精测幸存者只有少数通过粗筛的配置才付出高保真成本。
    nfine×cexpensive\displaystyle n_{fine} \times c_{expensive}
  3. 建模与调度开销训练预测模型、协调并行任务消耗的固定成本。
    Toverhead\displaystyle T_{overhead}

AI 应用场景

AI 算子自动调优的快筛快测

阶段：模型部署优化（推理引擎编译期）

解决的问题：编译器工程师手动为卷积、矩阵乘等算子编写高性能调度代码，常以周为单位；而自动调优若用暴力搜索，上万次测量在单卡上要跑一整天。多保真度粗筛 + 并行测量 + 早期剪枝的组合，把自动调优从“隔夜作业”压缩到“一杯咖啡的时间”，让开发者当天就能拿到接近手写性能的配置。

具体案例：某团队为 ResNet-50 的卷积层在 NVIDIA A100 上自动调优 CUDA 切片与向量化参数。开启多保真度粗筛后，先用 10% 的输入数据快速过滤掉明显低效的配置，再对幸存者做完整基准测试；配合 4 卡并行与提前终止，总调优时间从 6 小时降至 25 分钟，最终性能仅损失 1.2%。

大模型微调的超参数快速验证

阶段：模型训练前的超参数搜索

解决的问题：大模型微调一次训练动辄数小时到数天，若对学习率、批大小、LoRA 秩等超参数做网格搜索，成本不可承受。借鉴调优效率的思路，先在小规模数据子集上“低保真”快速试跑所有候选，筛掉明显不收敛的组合，再对幸存者做完整训练——相当于给超参数搜索装上了“小份试吃”的阀门。

具体案例：某算法工程师微调 7B 参数 LLM 时，用 5% 的训练数据先对 12 组学习率做快速粗筛（每轮仅 10 分钟），保留下 3 组进入完整训练，最终效果与全量搜索 12 组几乎相同，但 GPU 占用时间减少了 70%。

Python 演示

python73 行
"""模拟 AutoTVM 调优效率优化：多保真度筛选 + 早期剪枝"""import mathimport random  def true_perf(x, y):    """真实性能：离最优点的距离（越小越好）"""    return math.sqrt((x - 0.7) ** 2 + (y - 0.3) ** 2)  def low_fidelity(x, y):    """低保真评估：少量采样，带噪声的粗估"""    return true_perf(x, y) + random.uniform(-0.15, 0.15)  def high_fidelity(x, y):    """高保真评估：精确测量"""    return true_perf(x, y)  def autotune(n_candidates, budget_low, budget_high):    """多保真度调优：先粗筛，再精测，最后剪枝"""    candidates = [(random.random(), random.random())                  for _ in range(n_candidates)]    low_costs = 0    high_costs = 0     # 阶段一：低保真粗筛（只评估 budget_low 个候选）    low_scores = []    for i in range(min(budget_low, n_candidates)):        low_scores.append((candidates[i], low_fidelity(*candidates[i])))        low_costs += 1     # 阶段二：早期剪枝——粗估分太差的直接淘汰，只留 budget_high 个    shortlist = [c for c, s in low_scores if s < 0.4][:budget_high]     # 阶段三：对幸存者做高保真精测    best = None    best_score = float("inf")    for c in shortlist:        score = high_fidelity(*c)        high_costs += 1        if score < best_score:            best = c            best_score = score     return best, best_score, low_costs + high_costs  def brute_force(n_candidates):    """基线：全部候选都做高保真评估"""    best = None    best_score = float("inf")    costs = 0    for _ in range(n_candidates):        c = (random.random(), random.random())        score = high_fidelity(*c)        costs += 1        if score < best_score:            best = c            best_score = score    return best, best_score, costs  if __name__ == "__main__":    random.seed(42)    N = 200    _, bf_score, bf_cost = brute_force(N)    _, at_score, at_cost = autotune(N, budget_low=80, budget_high=15)    print(f"暴力全量测量：花 {bf_cost} 次，找到性能分 {bf_score:.3f}")    print(f"多保真度调优：花 {at_cost} 次，找到性能分 {at_score:.3f}")    print(f"节省测量次数：{bf_cost - at_cost} 次"          f"（{(bf_cost - at_cost) / bf_cost * 100:.0f}%）")
目的：用可运行的模拟实验证明“低保真粗筛 + 早期剪枝”能大幅减少测量次数，且最终性能与暴力搜索相当。
  1. def low_fidelity(x, y):定义低保真评估函数：在真实性能上叠加随机噪声，模拟“小份试吃”的快速粗估。
  2. return true_perf(x, y) + random.uniform(-0.15, 0.15)噪声模拟低保真测量的不精确性，但整体排序仍与真实性能正相关。
  3. low_scores.append((candidates[i], low_fidelity(*candidates[i])))只对前 budget_low 个候选做粗筛，控制低保真阶段的总预算。
  4. shortlist = [c for c, s in low_scores if s < 0.4][:budget_high]早期剪枝的核心：粗估分超过 0.4 的候选直接淘汰，再按预算截断。
  5. best_score = float("inf")初始化最优分数为无穷大，确保第一个被精测的候选能顺利成为当前最优。
  6. print(f"暴力全量测量：花 {bf_cost} 次，找到性能分 {bf_score:.3f}")将两种策略的测量次数和结果输出对比，直观展示效率收益。

常见误区

误区调优效率低是因为机器不够多，只要 GPU 数量翻倍，时间自然会减半，加硬件比改算法省事多了。

正解并行度带来的加速远不是线性的——Amdahl 定律告诉我们，串行部分（通信、调度、模型训练）会拖住加速比的上限。而且如果搜索策略本身盲目，加再多 GPU 也只是在更快地做无用功。真正的瓶颈往往在于“无效测量太多”，效率优化首先要做的是让每一次测量都有价值，而不是单纯堆资源。

为何常见：人门看到“并行”两个字，容易把效率问题简化成资源问题，忽略了算法层面的浪费才是最大头。

误区低保真就是用不精确的数据做决策，省下来的时间肯定是以牺牲最终性能为代价的，这不就是偷工减料吗？

正解低保真测量只负责“排序和筛选”，并不替代最终的高保真验证。就像小份试吃不决定这道菜能不能上菜单，只决定它值不值得做整份。通过粗筛的候选仍会接受高保真精测，所以最终选出的配置并不是用低质量数据拍板的，精度并没有被牺牲。

为何常见：容易把“预筛选”误解为“最终评估降级”，混淆了两阶段各自承担的任务。

误区最优配置可能在测量初期表现平平、后期才发力，提前终止等于亲手把最优解倒掉了，风险太大不能接受。

正解剪枝依据的不是起始噪声，而是“按当前平均速度外推的完整耗时已差于现有最优”这一充分证据。就像主厨判断“咸淡基调已错”而非“第一口不够惊艳”。虽然理论上存在“先慢后快”的罕见配置，但工程实践证明这种模式在调度搜索中发生率极低，用极小概率的损失换取大幅时间节省是划算的买卖。

为何常见：人们直觉上把剪枝等同于“武断放弃”，忽略了它建立在数据外推和明确参照系之上。

误区开 8 个进程，每个进程独立跑一遍同样的调优流程，最后挑一个最好的结果，这就是“并行搜索”。

正解真正的并行搜索需要共享搜索结果：一个 worker 发现“这片区域效果差”，其他 worker 应该立刻避开；一个 worker 找到好配置，模型应马上更新去指导全局。如果各跑各的，8 个进程大概率在重复探索相似区域，等于把翻倍的工作量扔进同一个坑。结果共享与负载均衡才是并行效率的来源。

为何常见：把“并行”简单理解为“多复制几份任务”，忽略了任务之间的协调才是收益关键。

面试题

Q1. 调优效率优化的核心目标是？

单选题 · easy

  • A.找到理论最优配置
  • B.有限预算内找近优配置← 正确答案
  • C.尽可能压缩搜索空间
  • D.增加测量次数提高精度

答案：B。调优效率优化不是追求理论最优，而是在时间与硬件预算内找到接近最优的配置，强调“效率”与“质量”的平衡。A 忽略了成本约束；C 压缩搜索空间是手段而非目标；D 增加测量次数恰恰是低效的做法。

Q2. 多保真度测量中“低保真”是指？

单选题 · easy

  • A.用低精度浮点数计算
  • B.用更少资源快速粗估← 正确答案
  • C.只测量部分网络层
  • D.使用过时的硬件测量

答案：B。低保真测量通过减少运行次数、缩小输入规模等手段快速粗估配置质量，类似小份试吃。它不涉及浮点精度或网络层裁剪，也与硬件新旧无关，本质是“用更少的测量成本换取粗略但有用的排序信号”。

Q3. 早期剪枝的比喻是？

单选题 · easy

  • A.菜坏了重新买食材
  • B.尝一口不对立刻倒掉← 正确答案
  • C.请多位客人品尝打分
  • D.按菜谱精确称量配方

答案：B。早期剪枝的核心是在测量中途发现配置明显劣于当前最优时立即终止，对应“尝一口不对劲就倒掉，不再做完整流程”。A 是事后补救，C 是并行评估，D 是精确测量，均不贴合“中途止损”的内涵。

Q4. 以下哪项属于早期剪枝的核心思想？

单选题 · mid

  • A.对所有配置进行完整测量
  • B.提前终止表现差的测量← 正确答案
  • C.用更多 GPU 并行测量
  • D.随机跳过部分配置再测

答案：B。早期剪枝在测量尚未完成时，基于已观测部分的性能外推完整表现，若预测结果差于当前最优则终止测量。A 是暴力基线，C 是并行手段，D 是随机采样，都不涉及“基于证据的中途止损”。

Q5. 贝叶斯优化中“采集函数”的作用是？

单选题 · mid

  • A.计算已测配置的均值
  • B.挑选下一最值得尝试者← 正确答案
  • C.将配置转换为向量表示
  • D.优化硬件参数提高吞吐

答案：B。采集函数（如期望改进 EI）在所有未尝试配置中挑出“最值得实测”的下一个候选，是“笔记指导试菜方向”的引擎。A 是统计量的描述，C 是特征工程，D 是硬件优化，都与候选选择无关。

Q6. 并行搜索中结果共享最重要的好处是？

单选题 · mid

  • A.减少 worker 之间通信
  • B.避免重复探索相似区域← 正确答案
  • C.让每个 worker 独立决策
  • D.降低单次测量的耗时

答案：B。共享搜索结果能让搜索模型及时更新，使各 worker 避开已被证明低效的区域，集中火力于有潜力的配置。A 是工程优化目标但与“共享”背道而驰；C 恰恰取消了共享；D 是测量层优化，与并行无关。

Q7. 设单次高保真测量成本为 C，低保真测量成本为 C/10。对 1000 个候选先全部低保真粗筛，通过率 20%，幸存者全部高保真精测，总成本约为？

单选题 · hard

  • A.总成本约等于 1000C
  • B.总成本约等于 300C← 正确答案
  • C.总成本约等于 200C
  • D.总成本约等于 120C

答案：B。粗筛成本 = 1000 × (C/10) = 100C；幸存者 1000 × 20% = 200 个，精测成本 = 200 × C = 200C；总成本 = 100C + 200C = 300C。相比全量高保真的 1000C，节省了七成，这正是多保真度测量的量化收益。

Q8. 下列哪些属于提升调优效率的手段？

多选题 · mid

  • A.多保真度测量筛选← 正确答案
  • B.并行搜索同时探索← 正确答案
  • C.早期剪枝提前止损← 正确答案
  • D.扩大候选配置规模

答案：ABC。多保真度、并行、剪枝分别从“降低单次成本、摊薄总工作量、减少无效测量”三个维度压缩调优时间。D 扩大候选规模会显著增加评估次数，与效率优化的方向相反。

Q9. 早期剪枝能生效的前提包括？

多选题 · mid

  • A.粗估与精测结果正相关← 正确答案
  • B.测量中可获得中间信号← 正确答案
  • C.存在当前最优作为基线← 正确答案
  • D.剪枝后必须重新生成候选

答案：ABC。剪枝依赖“已观测性能能预测最终性能”（正相关性），且需要测量中途的中间信号与参照基线来判断优劣。D 错误：被剪枝候选占用的资源直接分配给新候选即可，无需重新生成整个候选集。

Q10. 关于 AutoTVM 调优效率优化的描述，正确的是？

多选题 · extreme

  • A.预测器可用历史数据替补测量← 正确答案
  • B.多保真度会牺牲最终精度
  • C.并行搜索需协调共享搜索结果← 正确答案
  • D.工程中常组合多种效率手段← 正确答案

答案：ACD。奖励预测器用历史数据训练轻量模型预测配置得分，可替代部分真实测量（A 对）。多保真度只做预筛选，幸存者仍走高保真精测，不牺牲最终精度（B 错）。并行搜索需要共享结果以避免重复探索（C 对）。真实工程中多保真度、并行、剪枝、搜索策略是组合使用的（D 对）。