pytorch/executorch

ExecuTorchはPyTorchモデルをモバイル・組み込み・エッジ端末で動かすためのランタイムです。PCで学習したモデルをエクスポートし、CPU・GPU・NPUなど多様なハードウェア上で軽量に推論実行することを目指します。提供されたファイルからは、CI用Dockerビルド環境とApple CoreMLバックエンドの実装が中心に見えます。

リポジトリは大きく2層に分かれています。ひとつはモデル変換・ランタイム本体で、`.ci/docker`配下のスクリプト群がUbuntuベースのDockerイメージを組み立て、clang・gcc・buck2・Android NDK・CUDA・Zephyr SDKなど環境ごとに必要な依存関係だけを`install_*.sh`で個別にインストールします。`build.sh`はイメージ名からケースごとに環境変数を切り替えて`docker build`を呼び出す仕組みです。もうひとつはハードウェア別の「バックエンド」で、`backends/apple/coreml`配下にApple CoreML向けの実装があります。`backend_delegate.h`や`coreml_backend_delegate.mm`がCoreMLモデルの初期化・実行を担い、`ETCoreMLModel`やコンパイルユニット設定（CPU専用・CPU+GPUなど）をコンパイル仕様として受け取ります。テストファイル`BackendDelegateTests.mm`では、事前コンパイル済みの`.bin`モデルを読み込み、デリゲートの`init`・`destroy`や計算ユニット設定の反映を検証しています。つまりPyTorchモデルをexecutorch形式にエクスポートし、各バックエンド（CoreML・Vulkan・QNNなど）のデリゲートに委譲して端末上で実行する、という構造です。

実際に通せば、CoreMLなど各ハードウェア向けにコンパイルされたexecutorchプログラムが端末上で推論できる状態になります。得られるのは、学習済みPyTorchモデルをスマートフォンや組み込み機器に展開できる小型ランタイムとデリゲートバイナリです。ただし今回のファイル群だけでは、エクスポート工程そのもの（`torch.export`からの変換部分）のソースは確認できておらず、バックエンド側の受け皿部分が中心的に見えています。