CompilerGym 是用于執行編譯器優化任務的高性能、易于使用的強化學習 (Reinforcement Learning, RL) 環境庫，用于解決生產環境中的編譯器優化問題。

CompilerGym 由 Facebook 的 AI 團隊在 OpenAI Gym 之上構建，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化問題進行交互，并為系統開發者提供了一個工具包，以便為 ML 研究展示新的編譯器任務。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：構建于?Gym?界面之上，可使用 Python 編寫代理。使用 CompilerGym，為編譯器優化問題構建 ML 模型就像為玩電子游戲構建 ML 模型一樣簡單
• 工具庫齊備：包含真實的程序和編譯器，用于提供數百萬個訓練實例
• 可重復性：為結果的正確性提供驗證，并提供共同的基線，以及用于提交結果的排行榜

使用示例

在 Python 中，導入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()