稳住·能赢

摘要： Code Reader Skills — 基于认知科学的源代码深度理解工具 阅读陌生开源代码时，最困难的不是逐行读，而是理解： 项目目的与背景 核心设计与逻辑 代码结构与关键模块 Code Reader Skills 是一个 agent-based skill 工具，帮助开发者快速完成首次理解： 提 阅读全文

摘要： 【MLIR】Linalg的通用Fusion优化分析 从宏观到微观，逐步深入理解 Linalg 的 Fusion 优化 1. Fusion 是什么？ Fusion（融合） = 把多个操作合并成一个，减少中间结果的内存读写。 直观示例： 融合前: 两个操作，中间结果写内存 ┌─────────────┐ 阅读全文

摘要： Graph IR vs SSA IR：为什么现代 AI 编译器离不开 SSA？ 在编译器和 AI 编译领域，经常会听到 Graph IR 和 SSA IR。 它们并不是“新旧关系”，而是解决不同问题的两类中间表示（IR）。 本文用直观的方式解释它们的区别，以及各自适合做什么。 1. 什么是 Grap 阅读全文

摘要： 【MLIR】Linalg中FusePadOpWithLinalgProducer优化分析 本文档基于MLIR 版本: 21.1.8分析，代码路径：mlir/lib/Dialect/Linalg/Transforms/FusePadOpWithLinalgProducer.cpp 1. 概述 Fuse 阅读全文

摘要： 如何使用MLIR的linalg.pack实现性能大幅提升？ 1. 概述 1.1 什么是 linalg.pack？ linalg.pack 是 MLIR Linalg dialect 中用于数据布局重排（Data Layout Relayout）的核心操作。它通过将张量的某些维度分块（tiling）并 阅读全文

摘要： 如何充分发挥MLIR中Loop的优化特性？ 本文通过一个完整的矩阵乘法示例，讲解MLIR中三个核心Loop优化技术： Loop-carried Dependency 分析 - 识别循环间依赖 Loop Unrolling - 循环展开 Affine Loop LICM - 循环不变代码外提 场景：矩 阅读全文

摘要： 如何基于MLIR实现Tile-based编程？ 本文档介绍 MLIR 中的 Tiling 技术，这是优化计算性能的核心方法。即使你对 MLIR 不熟悉，也可以通过本文档学习 Tiling 的概念和用法。 目录 前置知识：MLIR 基础概念 什么是 Tiling？ 示例 1：最简单的循环 Tiling 阅读全文

摘要： 基于 MLIR 实现跨架构自动调优 (GPU & Ascend NPU) 扩展阅读：本指南是对《AI 编译器融合技术系统化分类》第 8.3 节“自动调优与调度分离”的深度展开。 1. 核心理念：调度与计算分离 在传统 AI 编译器（如 TVM v1）中，调度逻辑往往硬编码在 C++ 代码中。而在 M 阅读全文

摘要： 如何基于 MLIR 实现代价模型驱动的融合决策机制 (GPU & Ascend NPU) 1. 背景与动机 在 AI 编译器中，算子融合（Operator Fusion） 是提升性能的关键手段，旨在通过将多个算子合并为一个内核（Kernel）来减少全局内存（HBM/DDR）的读写次数。 然而，融合并 阅读全文

摘要： 在传统编程中，CSR 通常是手动维护的三个数组（row_ptr, col_indices, values）。但在 MLIR 中，稀疏性被设计成为类型系统(Type System)的一种属性，而不是具体的数据结构实现细节。 1. CSR是什么？ 在传统高性能计算和深度学习系统中，稀疏张量通常以固定格式 阅读全文