这个视频讲解了如何基于 MLIR 完成对 GEMM 的编译优化。也即对 HIGH PERFORMANCE CODE GENERATION IN MLIR: AN EARLY CASE STUDY WITH GEMM （https://arxiv.org/pdf/2003.00532.pdf） 这篇论文的走读。
作者在高层次的Dialect上定义了一个矩阵乘算子，这个算子的参数包含了输入矩阵（A，B）以及输出矩阵（C），同时为这个算子添加了tile/unroll 的尺寸等属性。
High Dialect GEMM Operator
其中，（M_C, K_C）的选择使得 M_CxK_C 大小的 A 矩阵块能够在L2 cache中复用，（K_C, N_R）的选择使得 K_CxN_R 大小的B矩阵块能够在 L1 cache 中复用，（M_R, N_R）的选择是使得 M_RxN_R 大小的输出矩阵块能够在 CPU Register 中复用。在这篇论文中凭借经验尝试了很多组这种值，最终获得的结果如下：
基于MLIR优化的GEMM和其它库以及浮点峰值的对比
基于 MLIR 的矩阵乘算子 Dialect 递降过程为：
图源：https://www.birentech.com/news/115.html
如果你对基于 MLIR 的深度学习模型高性能代码生成比较感兴趣的话建议研究一下 IREE ，这篇论文感觉还是有一点 Toy 。
相关资料：
- https://www.birentech.com/news/115.html（写得挺好的，可以配合这个视频以及论文原文观看）
- https://arxiv.org/pdf/2003.00532.pdf
前30分钟视频如下（还剩下13分钟视频下周争取补上），视频转载自 https://www.youtube.com/watch?v=boXl7rmaasU&t=2372s ，添加了中英文字幕 ：
https://www.bilibili.com/video/BV1Lg411o7vU?spm_id_from=333.337.search-card.all.click
原文：GiantPandaCV
作者：GiantPandaCV字幕
- EWGS：基于(element-wise)元素级梯度缩放的网络量化
- 微软提出MiniViT | 把DeiT压缩9倍，性能依旧超越ResNet等卷积网络
- CV全新范式 | LSTM在CV领域杀出一条血路，完美超越Swin与ConvNeXt等前沿算法
更多嵌入式AI相关技术干货请关注嵌入式AI专栏。欢迎添加极术小姐姐微信（id:aijishu20)加入技术交流群，请备注研究方向。
