之前已经总结过一篇MLIR入门理解 ，这篇文章同样是对入门MLIR的总结，不同的是从MLIR的演进角度去理解如何学习MLIR。

这篇文章主要从两个角度去讨论MLIR：

1. MLIR出现的背景：模型算法越来越复杂，计算量越来越大；
2. Dialect的演进：Dialect解决什么问题，需要什么基本模块，基本模块需要哪些扩展。

算法模型的发展带来两个问题：

1. 算子越来越多，越来越复杂；

2. 计算量越来越大。

为了解决这两个问题，需要从两个方面去着手：

1. 软件方面：各个框架需要增加更多的算子，方便模型研究人员去使用和验证算法；
2. 硬件方面：需要算力更高的硬件去满足模型训练的需求，为使能硬件，需要软件开发人员去弥补框架和硬件之间的gap。

以上便是算法模型发展带来的问题，为解决这两个问题，我们有什么办法？

对第一点，框架适配，各大框架都有一套自己的opset标准，以至于出现了ONNX，想要统一这个标准。软件层面我们面临两大问题：a. 如何方便算法人员使用框架；b. 不同框架的模型如何转换。对a.，算法人员一般使用python，对应的框架也都有python接口，这里不讨论。对b.，不同框架之前，目前大部分情况是把ONNX作为中间接口，比如TensorFlow <-> ONNX <-> PyTorch.

有了ONNX，问题貌似就解决了，不需要MLIR。这里，我们假设所有框架都统一了，只有一种框架，那也就不需要ONNX了，我们是否还需要一套中间模块？

个人理解，我们同样需要一套中间模块，原因是随着计算量增加，除了NV GPU，也出现了一批创业公司去做AI芯片，每家芯片都有自己不同的intrinsic，为了使能硬件，可以像NV那样做一套库，提供一套API。个人理解，这种方式带来的问题是需要大量的人力投入，不适合创企。

综上，MLIR出现的核心背景即：提供一套中间模块（即IR，后面不再拿IR来描述，以模块来描述更容易理解），这个中间模块有两个作用：1. 对接不同的软件框架；2. 对接软件框架和硬件芯片。

进一步思考总结，对接软硬件，主要是为了对接opset。

MLIR提供的解决方案是Dialect和DialectConversion。Dialect用来抽象opset，DialectConversion用来做转换。

Dialect为了能达到对框架和硬件的抽象，提供了如下模块：Type, Attribute, Operation，这三者缺一不可，是MLIR最基本的模块。

DialectConversion为了能达到转换的目的，提供如下模块：ConversionTarget, ConversionPattern, TypeConverter。这里前两个模块是最基本的模块，一个用来表示进行转换的两个Dialect，一个用来匹配符合转换的operation。其实这三个模块也不一定是必需的，只要能完成conversion的功能即可。

以上Dialect和DialectConversion便是MLIR最基础的两个模块。

---

为了进一步丰富Dialect的表达功能，MLIR提供了transformation模块，用来提供Dialect内部operation的转换变形。同时MLIR给Dialect提供了canonicalization模块，也是做内部转换。Canonicalization 详细讲了为什么要做canonicalization。

目前为止，我们的MLIR模块如下所示：

---

接着为了增加对Dialect和Operation的标准化和功能扩展，MLIR增加了Constraint, Interface, Trait，方便对Operation进行限制和扩展。

目前为止，还缺少的一点是对Operation的描述，Operation作为Dialect的核心元素，提供对算子的抽象，引入两个模块：Region和Block。同时，为了对在哪里做transformation和DialectConversion进行管理，提供了Pass模块。

到此为止，MLIR的基本功能就已经完备了。

---

为了统一管理MLIR的Dialect这些模块，让各个Dialect能更好的进行Conversion，MLIR提供了两个tablegen模块，即：ODS和DRR。

ODS：统一Dialect，Operation等Dialect内部类的创建；

DRR：统一Canonicalization, Transformation和Conversion的创建，即PatternRewritter的管理（除此之外，也提供对Pass的管理）。

---

以上便是MLIR的第一大贡献，也是最基础的功能。但只提供Dialect和DialectConversion解决不了实际应用问题。好比C++语法和STL库，以上这些模块可以比作C++语法，描述如何采用MLIR来实现Dialect和DialectConversion，但所实现的Dialect提供哪些功能，以及如何去弥补软硬件之间的gap，设计一套合适的架构，则是MLIR的另一大贡献。MLIR提供了一些基础的Dialect，方便开发人员去使用，这些Dialect各有侧重。具体讲解，可参考这篇文章：hunterzju：MLIR中Dialects分类及关联

---

最后，总结MLIR的学习过程如下：

1. 学习MLIR基本模块；
2. 学习MLIR提供的Dialects，各个Dialects的定位，以及为弥补软硬件gap，提供的这些gap的分类和关联。

关于MLIR基本模块学习过程如下：

1. Dialect, Attribute, Type, Operation；想象如果自己去实现，该怎么设计类；
2. DialectConversion；想象在自己实现的前四个模块上，如何实现DialectConversion；
3. Interface, Constraint, Trait；同样，想象自己会怎么增加这些功能；
4. Transformation, Concalization；
5. Region, Block：基于1. 设计的Operation，以及4. 增加的Transformation，想象如何对Operation进行抽象，提取出Region和Block的概念；
6. Pass；
7. 最后才是ODS和DRR。

以上便是个人目前阶段，对MLIR基本功能演进的思考，欢迎大家讨论。