python binding_MLIR python binding 简易模型建立

上一篇文章讲到 MLIR python binding 的问题所在，目前的困难在于如何避免冗余开发，同时能够完成和C++等价的工作。下一步的研究目标就是对比各种binding方法，此外还有了解ODS框架，以便完成自动化构建binding的功能。

首先我们要来拆解任务，对于对比各种binding方法的任务来说，可以拆分成以下几个子任务，构建简易模型用于进行对各个binding方法的测试，为简易模型进行python binding，构建评价标准用于判断binding方法是否适合项目，判断binding的操作应该发生在哪个层级。

上述子任务是基于一个简易的模型，由于在MLIR源代码中直接进行binding的测试复杂度太高，而且效率太低，因此仿照MLIR模块之间的关系构建一个简易的模型来进行测试是一个比较可行的方式。

我们来回顾一下MLIR各模块的分工以及协作方式。

首先MLIRGen模块遍历抽象语法树，调用子函数来生成MLIR表达式，其中构造一个builder实例，并调用其模版函数create用于产生MLIR表达式。Builder模块提供一个模版函数create，其中调用了泛型OpTy的build方法。而泛型的build方法是在Dialect模块中被定义的。TableGen模块给各个Operation提供了类和方法定义的一系列支持。

那么相对于MLIR这样的结构，我打算构建一个简易的模型来模拟这样的调用关系，以便后续对于python binding的测试以及比较。由于TableGen模块是编译时才会生成相应的代码，为了操作简单，我的简易模型先不考虑TableGen的部分，把Operation的类定义以及方法的定义直接定义在Dialect模块中。这样一来，整个模型由三个部分组成：MLIRGen模块、Dialect模块和Builder模块。

简易模型中，main方法实例化一个MLIRGen类对象gen，然后调用gen.generate(1); ，其中generate方法中调用的是builder实例对象的泛型create函数，并将泛型实例化为TransposeOp，create函数调用了Dialect模块中定义的build方法，根据不同的Operation调用不同的build函数。以上图例子所示，在generate函数中用TransposeOp实例化泛型，就会调用TransposeOp的build方法。整个模型的输入是一个整型的1，最后输出的结果就是：

到此为止，简易模型就已经构建好了，下一步就是要进行python binding，用python来调用C++的方法，尝试用各种方式进行binding，再建立评价标准，最后选择合适的binding方法和层次。