MLIR多級中間表示概述

MLIR項目是構建可重用和可擴展的編譯器基礎設施的一種新方法。MLIR旨在解決軟件碎片化問題，改進異構硬件的編譯，顯著降低構建特定領域編譯器的成本，并幫助將現有編譯器連接在一起。

More resources

有關MLIR的更多信息，請參見：

LLVM論壇的MLIR部分有任何問題。

LLVM不一致服務器MLIR通道的實時討論。

之前的會談。

另請參閱TensorFlow MLIR SIG，它每周組織一次關于MLIR的公眾“公開設計會議”。

What is MLIR for?

MLIR旨在成為一個混合IR，它可以在一個統一的基礎設施中支持多種不同的需求。例如，這包括：

表示數據流圖的能力（例如在TensorFlow中），包括動態形狀、用戶可擴展的算子生態系統、TensorFlow變量等。

通常在這種圖上進行的優化和轉換（例如在Grappler中）。

以適合優化的形式表示ML算子的內核。

能夠跨內核托管high-performance-computing-style高性能計算風格的循環優化（融合、循環交換、并行tiling等），并轉換數據的內存布局。

代碼生成“降低”轉換，如DMA插入、顯式緩存管理、內存平鋪和一維和二維寄存器架構的矢量化。

能夠代表target-specific目標的算子，例如accelerator-specific high-level加速器特定的高級算子。

在深度學習圖上進行的量化和其他圖形轉換。

MLIR是一種通用的IR，它還支持特定于硬件的操作。因此，對圍繞MLIR的基礎結構的任何投資（例如，在其上工作的編譯器通行證）都應該產生良好的回報；許多目標可以使用該基礎結構并從中受益。

MLIR是一個強大的代表，但它也有非目標。不支持低級機器代碼生成算法（如寄存器分配和指令調度）。它們更適合于較低級別的優化器（如LLVM）。而且，不希望MIIR是最終用戶自己編寫內核（類似于CUDA C++）的源語言。另一方面，MLIR為表示任何此類DSL并將其集成到生態系統中提供了主干。

編譯器基礎結構

在建立MLIR時，受益于從構建其他IRs（LLVM IR、XLA HLO和Swift SIL）中獲得的經驗。MLIR框架鼓勵現有的最佳實踐，例如編寫和維護IR規范，構建IR驗證器，提供將MLIR文件轉儲并解析為文本的能力，使用FileCheck工具編寫大量的單元測試，以及將基礎結構構建為一組可以以新方式組合的模塊化庫。

其它的優點也被巧妙地融入到設計中。例如，LLVM存在一些不明顯的設計錯誤，這些錯誤會阻止多線程編譯器同時處理LLVM模塊中的多個函數。MLIR通過限制SSA作用域來減少使用def鏈，并用顯式符號引用替換跨函數引用來解決這些問題。

總結

以上是生活随笔為你收集整理的MLIR多级中间表示概述的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。