tensor-comprehensions.md

1. 在解决的是什么问题？
2. 为何成功，标志/准是什么？
3. 在前人基础上的关键创新是什么？
4. 关键结果有哪些？
5. 有哪些局限性？如何优化？
6. 这个工作可能有什么深远的影响？

主要贡献：

1. DSL语言：Tensor Comprehensions
2. 多面体 JIT 编译器，可以把 DL 里数学话描述的 DL DAG 转化为 CUDA kernel 函数，有内存管理、同步和优化方法，如op 融合，特定尺寸的特殊处理
3. autotuner 操作的编译cache

挑战

要想在 GPU 上高效实现，而又对研究员友好，需要一个高效的计算图引擎，解决如下两个挑战：

1. 抽象不仅提高程序员的效率，而且让 compiler 和支撑它的执行环境消除跟目标环境无关的顾虑。能自动搜索优化空间。the system must be able to "abstraction without regret".
2. 选择恰当的中间表达式和优化算法，处理好深度并发和内存层次结构，同时用好硬件特性如vector 指令和特定用途的内存。

问题

1. 论文里提到可以和 Cafee2 和 PyTorch 结合，通过 ATen 异步 tensor lib。这个咋做到的，为什么要这么搞？只是借 PyTorch 客？
2. Tensor Comprehension 发布 0.1.1 版本后，咋就 archived 了？