系列文章目录第一章目录系列文章目录前言一、它解决什么问题二、核心概念1.方言Dialect‌2.操作Operation‌3.下降Lowering‌4.‌Pass 管理器‌三、MLIR的作用总结前言Multi-Level Intermediate RepresentationMLIR,多级中间表示是一种用于构建可复用、可扩展编译器的框架由谷歌发起、LLVM 团队主导开发核心思想是让编译器在不同抽象层级上表示和优化程序。‌‌一、它解决什么问题传统编译器如 LLVM通常只有一种固定的低级 IR在处理 AI 模型、专用硬件这类场景时要么抽象层级太高丢失硬件细节要么太低丢失高层语义导致优化困难。 MLIR 允许你在一个统一框架下定义任意多个抽象级别的“方言”Dialect从贴近算法的高层表示逐步“下降”Lowering到贴近机器的底层表示每一层都能做适合该粒度的优化。‌‌二、核心概念1.方言Dialect‌‌本质是一个命名空间把一组操作Operation、类型Type、属性Attribute归在一起代表某一抽象层级或领域。内置方言包括 func函数、arith算术、memref内存、scf控制流、linalg线性代数等。2.操作Operation‌‌MLIR 中最基本的语法单元类似 LLVM 中的指令但更通用——不管是高层张量运算还是底层加法指令都统称为 Operation。3.下降Lowering‌通过“模式匹配重写”的转换模式Rewrite Pattern把高层方言逐步转换为低层方言直到变成 LLVM IR 或目标硬件代码。这个过程叫“渐进式下降”信息只有在不再有用时才丢弃。4.‌Pass 管理器‌‌Pass 管理器‌负责调度优化和转换 Pass 的执行顺序支持流水线、依赖管理和结果缓存。‌‌三、MLIR的作用MLIR作为一个可重用、可扩展的开源编译基础框架有一下好处1.处理软件碎片化2.为面向异构硬件的编译提供支持3.为领域专用编译器的开发减少开销4.连接已有的各种编译器四、MLIR的诞生‌MLIR最开始诞生核心是为了解决谷歌内部XLA编译器在对接TPU等AI硬件时遇到的痛点‌最初的应用场景完全聚焦在机器学习与异构硬件加速领域。2018年前后谷歌团队在开发XLATensorFlow的专属编译器的过程中发现传统LLVM的单层IR架构无法同时保留高层张量运算语义和底层TPU硬件的控制细节导致大量优化工作难以落地。同时TensorFlow生态中不同组件各自定义专属高层IR硬件适配时需要重复对接多套IR造成了严重的编译器碎片化问题。正是为了彻底解决这些内部痛点Chris Lattner带领团队启动了MLIR项目最初的设计目标就是打造一套能在多层抽象层级间灵活转换的编译器基础设施专门服务于机器学习模型的编译优化和TPU这类专用AI硬件的代码生成。总结2019年MLIR正式对外发布并开源后才逐步扩展到高性能计算、高级硬件综合、量子计算编译等更多领域最终成为整个行业通用的下一代编译器底座。