CompilerGym 是用于執(zhí)行編譯器優(yōu)化任務(wù)的高性能、易于使用的強化學(xué)習 (Reinforcement Learning, RL) 環(huán)境庫，用于解決生產(chǎn)環(huán)境中的編譯器優(yōu)化問題。

CompilerGym 由 Facebook 的 AI 團隊在 OpenAI Gym 之上構(gòu)建，并最終致力于幫助提高代碼編譯器的性能。

?

CompilerGym 讓 ML 研究人員能夠用他們熟悉的語言和詞匯與重要的編譯器優(yōu)化問題進行交互，并為系統(tǒng)開發(fā)者提供了一個工具包，以便為 ML 研究展示新的編譯器任務(wù)。CompilerGym?的目標是成為通過 ML 讓編譯器速度更快的催化劑，主要特性如下：

• 易用：構(gòu)建于?Gym?界面之上，可使用 Python 編寫代理。使用 CompilerGym，為編譯器優(yōu)化問題構(gòu)建 ML 模型就像為玩電子游戲構(gòu)建 ML 模型一樣簡單
• 工具庫齊備：包含真實的程序和編譯器，用于提供數(shù)百萬個訓(xùn)練實例
• 可重復(fù)性：為結(jié)果的正確性提供驗證，并提供共同的基線，以及用于提交結(jié)果的排行榜

使用示例

在 Python 中，導(dǎo)入compiler_gym進行使用：

>>> import compiler_gym                      # imports the CompilerGym environments
>>> env = compiler_gym.make(                 # creates a new environment (same as gym.make)
...     "llvm-v0",                           # selects the compiler to use
...     ,         # selects the program to compile
...     ,       # selects the observation space
...     , # selects the optimization target
... )
>>> env.reset()                              # starts a new compilation session
>>> env.render()                             # prints the IR of the program
>>> env.step(env.action_space.sample())      # applies a random optimization, updates state/reward/actions
>>> env.close()