简介

MLIR 项目是一个构建可重用和可扩展编译器基础设施创新项目，旨在解决软件碎片化问题，显著降低构建特定领域编译器的成本。

基于MLIR，可以实现：

数据流图表达（如TensorFlow），包含dynamic shape，用户扩展op等；
数据流图的优化和变换，如Grappler；
跨Kernel实现HPC风格的循环优化（如fusion，interchange，tiling等），数据在内存中的layout变换；
针对1D（如CPU）和2D（如GPU）寄存器架构的代码生成“lowering”转换，如DMA指令插入，显式cache管理，内存Tiling，矢量化；
表达特定硬件后端的的op，如加速器的高级操作；
深度学习图变换，如量化等；
多面体原语；
硬件综合工具。

常用术语

语言

Dialect

一组扩展MLIR系统的功能。Dialect创建了一个唯一的namespace，包含operations，attributes，types。可以把MLIR看作一种meta-IR，所有的Dialects都是MLIR的一部分。使用dialect而不是language是想强调Dialect不是一个独立的IR。

转换

Translation

将非MLIR的形式转换为MLIR的形式（Import），或者反之(Export)。

Export

将MLIR形式转换为语义等价的外部IR的形式（如LLVM IR）。

Import

将外部IR（如Torch IR）转换为语义等价的MLIR的形式。

Conversion

将代码从一种Dialect表示转换为语义等价的同一种（intra-dialect）或另一种Dialect(inter-dialect)表示。在MLIR的上下文中，conversion表示MLIR内的转换，既不转换到MLIR Dialect以外的表示（如LLVM IR），否则是Translation。

Round-trip

将源格式转换为目标格式，再转换回源格式的过程。

Lowering

将高级IR表达的operation转换为语义等价的低级IR表达。在MLIR中通常通过dialect conversion来实现。

Legalization

将operations转换为符合转换目标所设定要求的语义等价表示的过程。通常是Lowering中的一部分。

Transitive lowering

一种A->B->C的lowering方式，多个模式（patterns）需要按顺序应用，以将一个对target非法的操作完全转换为一组合法操作。

CSE (Constant Subexpression Elimination)

公共子表达式消除，消除不可达的代码和值未被使用的表达式。

DRR(Declarative Rewrite Rule)

声明式重写规则。在编译时，这些规则会被扩展成等价的mlir::RewritePattern子类。

结构

Operation (op)

MLIR代码单元。Operations是MLIR所有代码和计算的构建单元。高度支持扩展（没有固定的operation列表，可以灵活自定义），支持应用特定语义。

在MLIR中，有2个主要的Operation相关的类：Operation和Op。Operation是一个对用户透明的实例，表达了Operation实例的通用API。Op是派生Operation（如ConstantOp）的基类，派生类可以为每个具体的操作提供特定的方法和属性，同时，Op也是Operation的一个智能指针，两个类之间可以灵活的互相转换。