为了更好解决 TensorFlow 用户在使用不同种类的硬件（GPU、TPU、移动设备）时，由于多级别堆栈而导致的编译器与运行时错误，谷歌近日开源了一个全新的中介码与编译器框架MLIR。在过去，若想解决多级别堆栈问题，则需要我们构建新的软硬件堆栈生成器，这也意味着必须为每个新路径重新构建优化与转换传递。
TensorFlow 能够以多种不同的方式运行，如：
-
将其发送至调用手写运算内核的 TensorFlow 执行器
-
将图转化为 XLA高级优化器 (XLA HLO) 表示，反之，这种表示亦可调用适合 CPU 或 GPU 的 LLVM编辑器，或者继续使用适合 TPU的 XLA。（或者将二者结合！）
-
将图转化为 TensorRT、nGraph或另一种适合特定硬件指令集的编译器格式
-
将图转化为 TensorFlow Lite格式，然后在 TensorFlow Lite 运行时内部执行此图，或者通过 Android 神经网络 API (NNAPI)或相关技术将其进一步转化，以在 GPU 或 DSP 上运行
谷歌的MLIR（或称为多级别中介码）是一种表示格式和编译器实用工具库，介于模型表示和低级编译器/执行器（二者皆可生成硬件特定代码）之间，在生产质量组件的支持下，能够对优化编译器设计与实现进行全新探索。据了解，MLIR 深受LLVM的影响，并不折不扣地重用其许多优秀理念，比如拥有灵活的类型系统，可在同一编译单元中表示、分析和转换结合多层抽象的图等——这些抽象包括 TensorFlow 运算、嵌套的多面循环区域乃至 LLVM 指令和固定的硬件操作及类型。
MLIR 没有众所周知的固定或内置的操作列表（无 “内联函数”）。方言可完全定义自定义类型，即 MLIR 如何对 LLVM IR 类型系统（拥有一流汇总）、域抽象（对量化类型等经机器学习 (ML) 优化的加速器有着重要意义），乃至未来的 Swift 或 Clang 类型系统（围绕 Swift 或 Clang 声明节点而构建）进行建模。
另外值得一提的是，虽然 MLIR 充当 ML 的编译器，但它同样支持在编译器内部使用机器学习技术。MLIR 的扩展性有助于探索代码降阶策略，并在抽象之间执行逐步降阶。
具体开源链接：
GitHub 代码库
https://github.com/tensorflow/mlir
教程
https://github.com/tensorflow/mlir/blob/master/g3doc/Tutorials/Toy/Ch-1.md
演讲稿
https://drive.google.com/file/d/1hUeAJXcAXwz82RXA5VtO5ZoH8cVQhrOK/view
