多級中間表示概述MLIR
MLIR項目是一種構建可重用和可擴展的編譯器基礎結構的新穎方法。MLIR旨在解決軟件碎片，改善異構硬件的編譯，顯著降低構建特定于域的編譯器的成本以及幫助將現(xiàn)有編譯器連接在一起的問題。
要引用MLIR，請使用this Arxiv publication 。
更多資源
有關MLIR的更多信息，請參見：
? LLVM論壇的MLIR部分中有 任何問題。
? LLVM不和諧 服務器的MLIR通道上的實時討論 。
? 以前的 talks 。
另請參閱 TensorFlow MLIR SIG ，該組織每周組織一次有關MLIR的公開“開放設計會議”。如果想討論特定主題或有疑問，請將其添加到 議程文檔中 。有關如何加入會議的詳細信息，請參閱議程文檔。
MLIR是做什么用的？
MLIR旨在成為一種混合IR，它可以在統(tǒng)一的基礎架構中支持多種不同的需求。例如，這包括：
? 表示數(shù)據(jù)流圖的能力（例如在TensorFlow中），包括動態(tài)形狀，用戶可擴展的op生態(tài)系統(tǒng)，TensorFlow變量等。
? 通常在此類圖上進行優(yōu)化和轉(zhuǎn)換（例如在Grappler中）。
? 以適合于優(yōu)化的形式表示ML操作的內(nèi)核。
? 能夠承載跨內(nèi)核的高性能計算風格的循環(huán)優(yōu)化（融合，循環(huán)交換，平鋪等），并能夠轉(zhuǎn)換數(shù)據(jù)的內(nèi)存布局。
? 代碼生成“降低”轉(zhuǎn)換，例如DMA插入，顯式緩存管理，內(nèi)存平鋪以及針對1D和2D寄存器體系結構的矢量化。
? 表示特定于目標的操作的能力，例如特定于加速器的高級操作。
? 在深度學習圖上進行量化和其它圖轉(zhuǎn)換。
MLIR是一種常見的IR，也支持特定于硬件的操作。因此，對MLIR周圍基礎架構的任何投資（例如，編譯器對其進行的工作都應通過）應產(chǎn)生良好的回報；許多目標可以使用該基礎架構，并從中受益。
MLIR是強大的表示形式，但也有非目標。不嘗試支持低級機器代碼生成算法（例如寄存器分配和指令調(diào)度）。更適合較低級別的優(yōu)化器（例如LLVM）。另外，不希望MLIR成為最終用戶自己將內(nèi)核編寫為內(nèi)核的源語言（類似于CUDA C ++）。另一方面，MLIR提供了代表任何此類DSL并將其集成到生態(tài)系統(tǒng)中。
編譯器基礎架構
在構建MLIR時，受益于從構建其它IR（LLVM IR，XLA HLO和Swift SIL）獲得的經(jīng)驗。MLIR框架鼓勵現(xiàn)有的最佳實踐，例如編寫和維護IR規(guī)范，構建IR驗證程序，提供將MLIR文件轉(zhuǎn)儲和解析為文本，使用FileCheck 工具編寫廣泛的單元測試 以及將基礎結構構建為一組的能力。可以以新方式組合的模塊化庫。
其它內(nèi)容已經(jīng)以微妙的方式整合到設計中。例如，LLVM具有非顯而易見的設計錯誤，這些錯誤阻止多線程編譯器同時處理LLVM模塊中的多個功能。MLIR通過限制SSA范圍以減少use-def鏈，并通過用explicit替換跨函數(shù)引用來解決這些問題 symbol reference 。

總結

以上是生活随笔為你收集整理的多级中间表示概述MLIR的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。