企业官网建设流程全解析

背景概述

在深度神经网络训练与HPC场景中，图算融合优化可带来显著的性能提升。然而，随着融合算子规模与复杂度不断增长，传统基于DSA的手工算子开发模式面临编程门槛高、开发周期长等瓶颈。算子自动生成技术应运而生，它允许开发者聚焦算法逻辑本身，由编译器自动完成后端优化与代码生成，尤其适用于后端架构复杂、算子形态多样的异构计算场景。

AKG（Auto Kernel Generator）正是面向上述需求设计的AI算子编译器，基于MLIR（Multi-Level Intermediate Representation）构建，分为akg-tvm与akg-mlir两个版本，其中akg-mlir支持CPU、NPU等多种后端。本文以NPU后端为例，系统介绍AKG-MLIR的构建、运行及核心编译流程，帮助开发者快速上手并理解其工作原理。

一、环境构建

1.1 依赖要求

• 编译器：GCC > 11，CMake > 3.24
• 关键依赖库：GMP、MLIR（19.1.7）、Zstd、LLVM-dev、AKG Wheel包、BiSheng Compile工具链

1.2 构建步骤

构建过程可参考官方README文档，构建产物位于build/bin目录下，主要包括两个可执行文件：

• akg-opt：负责MLIR方言转换与优化pass执行
• mindspore-translate：负责将融合算子信息（info文件）转换为MindSpore方言表示

构建过程中如遇问题，可结合具体报错信息定位依赖版本或编译选项配置。

二、运行验证

2.1 运行环境配置

运行前需完成以下环境设置：

1. 安装bfloat16支持库，并确认相关相对路径配置正确
2. 若出现undefined symbol: rtSetupArgument错误，需将CANN包下的lib64目录加入LD_LIBRARY_PATH，注意根据实际安装路径修改

2.2 结果验证

运行后，output为AKG-MLIR编译计算结果，expect为NumPy计算结果，二者比对一致即验证编译流程正确。

三、编译流程详解

AKG-MLIR的完整编译流水线如下：

info → MindSpore Dialect → Linalg(Hfusion) → HiVM → .so

最终生成的.so文件由kernel launch模块加载执行。以下对各阶段逐一说明。

3.1 输入：融合算子info文件

Fused_Add_fusion_33.info是JSON格式的融合算子描述文件，由MindSpore图算融合模块生成，包含Tensor的shape、数据类型及计算逻辑等信息。

3.2 转换为MindSpore Dialect

MindSpore Dialect是基于MLIR的自定义方言，专注于元算子的表达。

转换命令：

akg/akg-mlir/build/bin/mindspore-translate Fused_Add_fusion_33.info --json-to-mindspore-oms.mlir

代码路径：

main() → registerToMindsporeDialectTranslation() // mindspore-translate.cpp → translateToMindsporeDialect() // TranslateRegistration.cpp → MindBuilder类 // TranslateToMindsporeDialect.cpp

核心流程包括：

• mlirBuilder.convertToMLIR()：整体转换入口
• convertOpNode(builder, opNodes[i])：逐节点转换
• mindOpFactory()→MindBuilder::convertBinaryOp：算子工厂分发
• 通过SmallVector等数据结构构建函数签名与属性

3.3 转换为Linalg（HFusion）

Linalg是MLIR社区方言，抽象了循环与计算细节，专注于线性代数运算表达；HFusion是Linalg的扩展，补充了Linalg未覆盖的算子表示。

转换命令：

akg/akg-mlir/build/bin/akg-opt ms.mlir --ascend-opt-olinalg.mlir

主要优化内容：

• Tensor降维
• 替换为linalg.elementwise计算
• 提前构建%0等中间值

代码路径：

main() → registerAKGLinalgPasses() // akg-opt.cpp

3.4 转换为HiVM并生成.so

HiVM是基于MLIR的自定义方言，更贴近底层硬件指令表达，便于后续指令转换与代码生成。

转换命令：

# 以Ascend Toolkit 8.2.RC1为例ascend-toolkit/8.2.RC1/bisheng_toolkit/bishengir/bin/bishengir-compile linalg.mlir\-enable-hfusion-compile=true\-enable-hivm-compile=true\-enable-lir-compile=true\-block-dim=40\-enable-auto-multi-buffer=true\-enable-bin-relocation=false\-oxxx.so

版本差异说明：

不同版本的BiSheng Compile工具链支持的编译选项可能不同。例如，8.3.RC1版本使用-enable-triton-kernel-compile=true替代了-enable-lir-compile=true。若遇到“不识别命令”的报错，请确认当前使用的BiSheng Compile版本及对应支持的选项。

编译问题定位：

• 使用--mlir-print-ir-after-all打印所有pass的IR输出，定位报错发生的pass阶段
• 根据定位结果，检查对应pass的代码逻辑或配置参数

四、目录结构

AKG-MLIR项目目录结构如下（以实际仓库为准）：

akg-mlir/ ├── build/ # 构建产物目录 │ └── bin/ # 可执行文件（akg-opt, mindspore-translate） ├── src/ # 源码目录 │ ├── dialect/ # 自定义方言定义 │ ├── conversion/ # 方言转换pass │ ├── optimization/ # 优化pass │ └── ... ├── tests/ # 测试用例 └── README.md

五、自定义Pass开发

AKG-MLIR支持开发者根据需求扩展自定义pass，开发流程如下：

1. 编写TableGen描述文件（.td）：使用DSL描述pass的输入输出、依赖关系及参数
2. TableGen工具生成C++代码：自动生成pass的骨架代码
3. 实现pass逻辑：在生成的C++代码基础上补充具体优化逻辑
4. 注册pass：在对应的pass注册入口中注册新pass

TableGen文件使用易理解的DSL描述信息，大幅降低了pass开发门槛。具体开发示例可参考社区Merge Request中的diff内容。

六、总结与展望

AKG-MLIR通过多层IR设计与模块化pass架构，实现了从图算融合算子到高性能kernel的自动化编译流程。其核心优势在于：

• 多方言协同：MindSpore Dialect负责高层语义表达，Linalg/HFusion负责计算抽象，HiVM贴近硬件指令，各层各司其职
• 后端可扩展：通过pass组合适配不同硬件后端，降低新硬件适配成本
• 开发效率提升：开发者聚焦算法逻辑，编译器自动完成调度优化与代码生成

后续规划中，AKG-MLIR将进一步分层解耦编译流程，提升可解释性与可调试性，降低开发者的理解与使用门槛。