LLVM安装使用

LLVM

LLVM官方的下载在github上，下载速度很缓慢，可以用tuna提供的二进制下载位置。其中包括很多工具，比如格式检查工具clang-format，可以配置到VsCode里的LSP工具llvm-lsp。

终端：可以选择git bash
- 安装git bash，基于msys2的简化版，缺少了很多软件。
- msys2是windows上一系列软件集合，提供了UCRT64 环境，基于mingw64
VSCode

官方提供了Tutorial代码，位于mlir的文件夹中，因此第一步需要跟随Get Started编译llvm项目。

教程提供了使用递归下降算法实现的编译器，产生对应的AST。

定义Toy Operation，使用 CRTP风格继承mlir::Op
Op和Operation均和操作相关
- Operation是不透明的
- op是Operation*的智能指针语法糖，可以通过LLVM的casting基础设施来得到llvm::dyn_cast<ConstantOp>(operation)
操作定义规格（ODS）框架
- Toy_Op基础类型，可以把CRTP风格放入Toy_Op的模板中，后续的Op直接继承Toy_Op

有两种方式可以实现模式-对应的变换
- 命令式：使用C++
- 声明式：使用声明重写规则（DRR），但是要和ODS搭配使用。
当前clang无法优化临时数组，比如教程里举的两个transpose的叠加
在Canonicalization pass 中可以按照贪心递归的方式应用变换
命令式：使用transpose作为例子
- 需要在include/toy/Ops.td文件中设置hasCanonicalizer=1，代表::getCanonicalizationPatterns()必须要被定义；[Pure]特性trait可以去除死代码；
- ::getCanonicalizationPatterns()函数中注册新的patter到Canonicaliztion pass中
- 在PassManager中的Func层级增加优化pipeline：pm.addNestedPass<mlir::toy::FuncOp>(mlir::createCanonicalizerPass())
声明式：使用reshape
- 在mlir/ToyCombine.td定义
- 编译后产生ToyCombine.inc
- 可以增加条件判断Constraint<>，调用c++函数NativeCodeCall

上一节中使用的注册方式扩展性不好，接口可以提供更通用的方式。这一节介绍通过内联和形状传播进行形状推导。

内联：把所有操作放在一个函数内，为下一步的过程内形状传播做准备
- 用operation interface来标记操作call-like或者callable-like。toy.generic_call是调用toy.func是函数.
- FuncOp的traits包含了FucntionOpInterface，继承自CallableOpInterface；GenericCallOp包含DeclareOpInterfaceMethods<CallOpInterface>
- pm.addPass(mlir::creawteInlinePass())
过程内（intraprocedural）形状传播
- 使用ODS框架定义ShaperInferenceOpInterface
- 继承了ShpaeInferenceOpInterface的Op均需要定义ShapeInferenceOpInterface里定义的函数inferShapes
- 构造ShapeInferencePass并定义runOnOperation
- 注册Passpm.addPass