安装与第一个程序¶
本教程的目标：安装 Tiga，在 NVIDIA GPU 上运行邻居聚合，得到数值结果与梯度。 直接使用普通 Torch Tensor，无需编译器 IR 知识。 需要 Python 基础；仅源码安装额外要求可用的构建工具。
安装¶
Tiga 当前为 alpha 软件。
发行名是 tiga-lang，import 名是 tiga。
从 PyPI 安装¶
在 Python 3.11 或 3.12 的虚拟环境中， 先安装下文示例所需的 Torch；已有 Torch 或仅使用原生执行时跳过第一条命令：
GPU 场景用匹配硬件的 Torch 安装命令替代上面的通用命令。 默认安装 Tiga 不安装或升级 Torch。需要可选 Triton provider 时，将 Tiga 安装命令替换为：
此 extra 不安装 Torch 或 GPU 驱动。匹配平台的预编译 wheel 包含编译器工具和
原生库，安装时无需单独准备 LLVM/MLIR SDK 或 C++ 构建工具。
首发 wheel 矩阵为 Linux x86-64、CPython 3.11/3.12、
manylinux_2_38_x86_64（glibc ≥ 2.38）；macOS、Windows 和其他 Python 版本不在首发范围内。
Torch adapter 面向 Torch 2.11.x，CUDA provider 面向 Triton 3.6.x；Torch 仍由使用环境单独安装。
没有匹配的 wheel 时，按源码安装准备依赖；
源码分发包不等于预编译 wheel。
安装下载或本地构建的 wheel 时，使用实际文件路径：
将占位文件名替换为匹配 Python 版本与平台的 wheel。基础 wheel 的本地安装无需访问 PyPI。
从源码安装¶
需要 Python 3.11–3.12、C++ 编译器、CMake、Ninja 和预构建的 LLVM/MLIR 22.1.8 SDK。 执行前替换 SDK 路径。以下命令使用受支持的 Linux x86-64 / CPython 3.11–3.12 构建环境。
git clone https://github.com/walkerchi/TIGA-lang.git tiga-lang
cd tiga-lang
python -m venv .venv
source .venv/bin/activate
# Torch 示例先装 Torch；仅使用原生 Tiga 时跳过此行。
python -m pip install torch
export TIGA_LLVM_ROOT=/path/to/llvm-22.1.8
export CMAKE_ARGS="-DMLIR_DIR=$TIGA_LLVM_ROOT/lib/cmake/mlir -DLLVM_DIR=$TIGA_LLVM_ROOT/lib/cmake/llvm"
python -m pip install -e .
python -m tiga
Torch 是可选依赖。GPU 场景先自行安装匹配硬件的 Torch，再安装 Tiga； 已有 Torch 时直接使用原环境。默认安装 Tiga 不会安装或升级 Torch。 无 Torch 环境可使用原生 Tensor 与 CPU JIT 路径。
python -m tiga 应显示包版本、原生运行时状态和找到的编译器工具。
工具未找到时先解决安装问题，参见执行与排错。
第一个可微 JIT 程序¶
从三节点、五条边开始：每条边发送“源节点温度 × 导热系数”， 每个目标节点求和并加上 bias。 reducer 指消息的合并方式， 本例使用求和。
按顺序运行以下代码。输入和输出直接使用 torch.Tensor，
不需要学习额外的 Tensor 包装或转换接口。
import torch
import tiga as tg
device = torch.device("cuda")
class ConductiveAggregation(tg.MessagePassing):
reducer = tg.sum()
def edge(self, src, dst, edge):
return edge.conductivity * src.temperature
def node(self, dst, incoming):
return incoming + dst.bias
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,
validate="full",
)
temperature = torch.tensor([1.0, 2.0, 3.0], device=device, requires_grad=True)
conductivity = torch.tensor([2.0, 3.0, 4.0, 5.0, 6.0], device=device, requires_grad=True)
bias = torch.tensor([0.1, 0.2, 0.3], device=device, requires_grad=True)
kernel = ConductiveAggregation()
output = kernel(graph=graph, src={"temperature": temperature},
dst={"bias": bias}, edge={"conductivity": conductivity})
d_temperature, d_conductivity, d_bias = torch.autograd.grad(
output.sum(), (temperature, conductivity, bias))
读取结果和梯度：
预期结果中的 11.1 来自目标节点 0 收到的两条消息，加上它的 bias。 编程模型会逐条解释这些边、数组和字段的对应关系。
无需显式 compile，也无需手写反向函数。输出可继续参与 Torch 运算，
通过 torch.autograd.grad 或 .backward() 求导。
数值正确不等于所有步骤都已原生编译；计划与产物检查见执行与排错。
完整源码运行命令：
python examples/torch_quickstart.py。
同一小规模程序也可将 torch.device("cuda") 改为 torch.device("cpu") 运行。
没有 Torch 的环境使用原生执行例子。
可选安装方式与依赖¶
- Torch 示例先单独安装 Torch，再安装 Tiga。原生 Tiga 无需 Torch；
tiga-lang[torch]仅作为显式选择安装依赖的 extra。 - PyPI extra 使用
tiga-lang[cuda]或tiga-lang[nccl-cu12]（随附 NCCL）。 源码目录中则使用python -m pip install -e ".[cuda]"或python -m pip install -e ".[nccl-cu12]"。GPU 驱动仍需另行安装。
开发检查¶
运行程序不要求先配置编译器测试。修改项目源码时，再按 构建与贡献安装测试依赖并配置独立的 MLIR 测试目录。