¶

面向 graph message passing 程序的可微 JIT 编译器。

定义图，编写每条边传递的消息，再指定消息如何合并。调用程序即可得到节点结果，并自动推导梯度，无需手写反向函数。日常使用不要求理解编译器 IR。

直接支持 PyTorch 的 torch.Tensor，无需额外包装；通过 torch.autograd.grad 或 .backward() 求导，可集成到现有 PyTorch 模型与训练流程中。

从这里开始¶

使用 Tiga¶

从 Python 开始，不要求预先了解 MLIR。

开发编译器¶

先了解 Python 编程模型，再进入内部实现。IR 教程先解释符号，再展示 pass 与真实编译输出。

程序长什么样¶

下面的示例在 NVIDIA GPU 上计算邻居值的加权和，并通过 PyTorch 求导：

import torch
import tiga as tg

device = torch.device("cuda")

class WeightedAggregation(tg.MessagePassing):
    reducer = tg.sum()

    def edge(self, src, dst, edge):
        return edge.weight * src.x

graph = tg.Graph.from_csr(
    torch.tensor([0, 2, 3, 5], dtype=torch.int64, device=device),
    torch.tensor([0, 2, 1, 0, 1], dtype=torch.int64, device=device),
    num_src=3,
)
x = torch.tensor([1.0, 2.0, 3.0], device=device, requires_grad=True)
weight = torch.tensor([2.0, 3.0, 4.0, 5.0, 6.0], device=device, requires_grad=True)
program = WeightedAggregation()
out = program(
    graph=graph,
    src={"x": x},
    dst={},
    edge={"weight": weight},
)
print(out.tolist())  # [11.0, 8.0, 17.0]
dx, dw = torch.autograd.grad(out.sum(), (x, weight))
print(dx.tolist())   # [7.0, 10.0, 3.0]
print(dw.tolist())   # [1.0, 3.0, 2.0, 1.0, 2.0]

图提供边，edge() 提供每条边的消息， reducer tg.sum() 负责按目标节点合并消息。tg 只是 tiga 的 import 别名，不是另一个包。

图索引、输入、输出和梯度均位于 GPU，无需包装 Tensor 或切换求导接口。运行环境配置见安装指南；执行诊断说明如何检查所选执行路径。

目前支持什么¶

支持 CPU 与 NVIDIA GPU 执行，以及面向大图的分层存储和分布式计算。常规计算直接使用 torch.Tensor；分层存储与分布式等高级运行时功能使用原生 tg.Tensor，见内存与分布式。具体操作、数据类型与执行路径的覆盖范围见支持矩阵。

稀疏图与图神经网络算子¶

邻居加权聚合是一种稀疏矩阵运算，自定义边函数则把它扩展到更一般的图程序。 PyTorch sparse 与 message passing 指南用一个可核对结果的例子串起 torch.sparse.mm、CSR 图与图神经网络（graph neural network，GNN）聚合。 Tiga 编译其中的算子，不替代完整的模型库与训练框架。

深入理解实现¶

编译器把图上的计算逐步变成遍历方式和执行计划。这些是内部决策，不是需要额外编写的 API。编译器入门解释分层目的； IR 实例教程展示真实的 gf.apply、 gf_iter.traverse、gf_kernel.launch 和 task 操作。技术报告进一步讲述编程模型与编译器设计，并提供性能评估及复现数据。

评估性能¶

性能与扩展性对比指定工作负载的执行时间、显存开销、大图容量和分布式执行。测量协议定义计时与正确性核对方式，基准归档提供更多测量案例。

查函数签名时使用 Python API 参考；了解项目定位时阅读同类对比。