MLIR：概览

文章来自微信公众号“科文路”，欢迎关注、互动。转发须注明出处。

Multi-Level Intermediate Representation（MLIR）是创建可重用、可扩展编译器基础设施的新途径。

本文起，将结合工作经验对 MLIR 进行讲解。本文为开篇，内容来自Chris Lattner’s Homepage。

出发点

像 TensorFlow 这样的通用机器学习框架往往需要

• 许多不同种类的编译器来处理各种图一级的问题；
• 适配各式各样的加速器；
• 还需要大量的 “胶水 “工具来将一切联系在一起。

​为了解决这些问题，2018 年 4 月，大神 Chris Lattner 和 Google 的一个小编译器团队开始了开始搭建这个世界级的系统——MLIR。

概览

想要做一个大一统的编译器看似是困难的。但 Chris 他们还是想到了“多级中间表示”这种设计方法。它旨在成为一种混合型 IR，可以在一个统一的基础设施中支持多种不同的要求。例如，

• 数据流图的表示
• 图的优化和转换
• 高性能计算
• 特殊 lowering
• 加速器特定的高级操作
• 图的量化
• Polyhedral primitives
• 硬件合成工具/HLS

也就是说，通过 MLIR 可以受益于其他 IR，完成各式各样的编译“中端”操作。

但是 MLIR 并不打算在更第一级别的“机器代码生成”上进行优化，因为这一部分的工作 LLVM 更适合。

现状

虽然 MLIR 还很年轻，但它已经在谷歌内部得到了快速和广泛的采用和部署，而且据说在整个行业中得到了广泛的应用，包括 SiFive、苹果、英特尔、微软、Nvidia、ARM 和许多其他项目（包括节省大量计算和运营成本的生产部署）。

MLIR 建立在 LLVM 社区之上，并被其他LLVM 项目所使用，如 Flang Fortran编译器、CIRCT 项目等等。

欲进一步了解可以阅读MLIR: A Compiler Infrastructure for the End of Moore’s Law。

都看到这儿了，不如关注每日推送的“科文路”、互动起来~

至少点个赞再走吧~