通用架构TPU编译工具链

TPU-MLIR 工程的所有代码都已开源，向所有用户免费开放。用户在使用本工程的同时也可以参与到该工程的完善与改进工作中，共同创造出一款站在时代前沿的 AI编译器。

通过阅读开发手册与工程中已包含的样例，用户可以快速地了解模型转化流程与原理，从而入门该工程。并且，TPU-MLIR 基于当前主流的编译器工具库 MLIR 进行模型化设计，用户也可以透过该工程来学习 MLIR 的应用，知识点丰富，应用面广泛。

该工程目前已经提供了一套完备的工具链，用户可以直接通过现有接口快速地完成模型的转化工作，节约大量投入在适配不同网络的过程中所花费的时间成本。

目前 TPU-MLIR 已经支持 tflite 以及 onnx 格式，该类格式的模型可以使用本工程直接进行模型转化。此外，依托 onnx 当前完善的生态，大部分利用主流深度学习框架（如 PyTorch 与 Caffe 等）开发的模型也都可以通过先转换为 onnx 模型间接地完成 bmodel 转化。

TPU-MLIR 支持 INT8 对称和非对称量化，在大幅提高性能的同时又结合原始开发企业的 Calibration 与 Tune 等技术保证了模型的高精度。不仅如此，TPUMLIR 中还运用了大量图优化和算子切分优化技术，以保证模型的高效运行。

一个好的开源项目必须配套完善的用户文档，才能让用户以最小的代价入门，一起参与进来共同贡献，同时如果配合完善的用户文档，贡献者也可以自己探索一些不常用的模块，最大限度的提高大家协作的效率。