MLIR多级中间表示概述

MLIR项目是构建可重用和可扩展的编译器基础设施的一种新方法。MLIR旨在解决软件碎片化问题，改进异构硬件的编译，显著降低构建特定领域编译器的成本，并帮助将现有编译器连接在一起。

More resources

有关MLIR的更多信息，请参见：

l  LLVM论坛的MLIR部分有任何问题。

l  LLVM不一致服务器MLIR通道的实时讨论。

l  之前的会谈。

另请参阅TensorFlow MLIR SIG，它每周组织一次关于MLIR的公众“公开设计会议”。

What is MLIR for?

MLIR旨在成为一个混合IR，它可以在一个统一的基础设施中支持多种不同的需求。例如，这包括：

l  表示数据流图的能力（例如在TensorFlow中），包括动态形状、用户可扩展的算子生态系统、TensorFlow变量等。

l  通常在这种图上进行的优化和转换（例如在Grappler中）。

l  以适合优化的形式表示ML算子的内核。

l  能够跨内核托管high-performance-computing-style高性能计算风格的循环优化（融合、循环交换、并行tiling等），并转换数据的内存布局。

l  代码生成“降低”转换，如DMA插入、显式缓存管理、内存平铺和一维和二维寄存器架构的矢量化。

l  能够代表target-specific目标的算子，例如accelerator-specific high-level加速器特定的高级算子。

l  在深度学习图上进行的量化和其他图形转换。

MLIR是一种通用的IR，它还支持特定于硬件的操作。因此，对围绕MLIR的基础结构的任何投资（例如，在其上工作的编译器通行证）都应该产生良好的回报；许多目标可以使用该基础结构并从中受益。

MLIR是一个强大的代表，但它也有非目标。不支持低级机器代码生成算法（如寄存器分配和指令调度）。它们更适合于较低级别的优化器（如LLVM）。而且，不希望MIIR是最终用户自己编写内核（类似于CUDA C++）的源语言。另一方面，MLIR为表示任何此类DSL并将其集成到生态系统中提供了主干。

编译器基础结构

在建立MLIR时，受益于从构建其他IRs（LLVM IR、XLA HLO和Swift SIL）中获得的经验。MLIR框架鼓励现有的最佳实践，例如编写和维护IR规范，构建IR验证器，提供将MLIR文件转储并解析为文本的能力，使用FileCheck工具编写大量的单元测试，以及将基础结构构建为一组可以以新方式组合的模块化库。

其它的优点也被巧妙地融入到设计中。例如，LLVM存在一些不明显的设计错误，这些错误会阻止多线程编译器同时处理LLVM模块中的多个函数。MLIR通过限制SSA作用域来减少使用def链，并用显式符号引用替换跨函数引用来解决这些问题。