全文 - MLIR Toy Tutorial Chapter 3 ：高层次上语言特定的分析和变换

 使用 C++ 风格的模式匹配和重写来优化转置运算
 使用 DRR 优化 reshape 运算
 
         创建一种贴近输入语言的语义表示的方言，可以在 MLIR 中分析、变换和优化，这些过程中需要用到高级语言的信息，而且通常是在语言的 AST 上执行的这些过程。
 例如，为了执行template 实例化，在clang 程序中有一个相当厚实的机制。
 
        我们将编译器变换分为两大类：局部的和全局的。在本章中，我们聚焦怎么利用Toy Dialect 和它的高层次语义来执行局部模式匹配变换，这在 LLVM 中是比较难实现的。
 为此，我们使用了 MLIR的 Generic DAG Rewriter。
 
        这里有两个方法可以用于实现模式匹配变换：1，命令式的，C++模式匹配和重写，2，生命式的，基于规则的模式匹配和重写，这是使用 表格驱动的 Declarative Rewrite Rules(DRR)。
 注意，使用DRR的话，要求 operations 是使用 ODS 定义的，如第2章中所述。
 

使用 C++ 风格的模式匹配和重写来优化转置运算

        让我们先一起研究一个简单的模式，并且尝试去消除一个由两个可以抵消的转置组成的序列：transpose(transpose(X)) -> X。这里是对应的 Toy 示例：
 

 def transpose_transpose(x) {
  return transpose(transpose(x));
}

  它对应于如下的 Toy IR：

  toy.func @transpose_transpose(%arg0: tensor<*xf64>) -> tensor<*xf64> {
  %0 = toy.transpose(%arg0 : tensor<*xf64>) to tensor<*xf64>
  %1 = toy.transpose(%0 : tensor<*xf64>) to tensor<*xf64>
  toy.return %1 : tensor<*xf64>
}

这个变换的好示例，在Toy IR 中做匹配非常容易，但是，在 LLVM IR 中解决这个问题非常困难。例如，当前的 Clang 无法优化掉临时数组，并且单纯的转置的计算，表示为如下这样的循环：

#define N 100
#define M 100

void sink(void *);
void double_transpose(int A[N][M]) {
  int B[M][N];
  for(int i = 0; i < N; ++i) {
    for(int j = 0; j < M; ++j) {
       B[j][i] = A[i][j];
    }
  }
  for(int i = 0; i < N; ++i) {
    for(int j = 0; j < M; ++j) {
       A[i][j] = B[j][i];
    }
  }
  sink(A);
}

        对于一个简单实现重写的 C++ 方法，涉及到在 IR 中匹配一个类树的模式，并且用一组不同的 operations 集合来替代它，我们可以通过实现一个 RewritePattern来插入到 MLIR Canonicalizer 中。
 
 

未完待续。。。

 
 使用 DRR 优化 reshape 运算