稳住·能赢

摘要： 在 MLIR 中，处理 FA（FlashAttention） 这类算法极度复杂、硬件耦合度极高的算子，采用的是一套与其设计哲学完美契合的组合拳。 MLIR 的核心理念是渐进式降级（Progressive Lowering）和显式控制（Explicit Control）。因此，MLIR 不会试图靠一个 阅读全文

摘要： 一、问题动机：为什么 QKV 是 必须 做 Multi-output Fusion 的场景 以 Transformer 中最典型的结构为例： \[[ Q = X W_Q,\quad K = X W_K,\quad V = X W_V ] \]朴素实现的问题 在“算子级”视角下，这是 三个独立 Mat 阅读全文

摘要： 【MLIR】Linalg中ElementwiseOpFusion的优化模式技术分析（总） ./mlir-opt -h | grep linalg 通过此命令可以查看MLIR中关于linalg的所有Pass，本篇主要分析：linalg-fuse-elementwise-ops（基于llvm 21.1. 阅读全文

摘要： 【MLIR】Linalg中ElementwiseOpFusion的优化模式技术分析（三） 本文介绍 mlir/lib/Dialect/Linalg/Transforms/ElementwiseOpFusion.cpp 中其他三种关键优化模式： populateFoldReshapeOpsByExpa 阅读全文

摘要： 【MLIR】Linalg中ElementwiseOpFusion的优化模式技术分析（二） 概述 populateElementwiseOpsFusionPatterns 函数不仅包含核心的 FuseElementwiseOps pattern，还集成了多个辅助优化策略，它们协同工作以最大化融合的效果 阅读全文

摘要： AI Code Agent：让你编码效率大大提高 如今的AI大语言模型智能体（Agent）在编码领域大放异彩，极大地提高了编码效率。本篇详细介绍下如何使用AI Agent，帮助更多的人解放键盘，提高效率。 通俗的理解，AI Code Agent主要包括两部分组成：Code Agent + LLM，本 阅读全文

摘要： 【MLIR】Linalg中ElementwiseOpFusion的优化模式技术分析（一） 1 引言 在编译器优化中，算子融合（Operator Fusion）是一项关键技术，它通过合并多个连续的计算操作来减少中间结果的materialization，从而降低内存带宽需求并提升缓存利用率。MLIR的L 阅读全文

摘要： Linalg融合中Producer输出Indexing Map的Permutation检查分析 1. 问题背景 代码位置 // ElementwiseOpFusion.cpp:175-178 AffineMap producerResultIndexMap = producer.getMatchin 阅读全文

摘要： Tensor vs MemRef 1. 基本概念对比 特性 Tensor MemRef 语义 值语义（Value Semantics） 引用语义（Reference Semantics） 可变性 不可变（Immutable） 可变（Mutable） 内存模型 抽象的，不关心内存 具体的内存缓冲区 别 阅读全文

摘要： PyTorch Inductor Scheduler can_fuse 流程深度解析 本文深入剖析 PyTorch Inductor 编译器中算子融合（Operator Fusion）的核心决策流程 can_fuse，详细解析融合条件检查、特殊融合类型、优化策略等关键实现。 目录 流程概述 融合决策 阅读全文