MLIR Pass调试与性能分析方法

可视化演示

展示MLIR编译器Pass流水线中IR的逐步转换过程，含各Pass耗时柱状图，直观理解编译器优化流程和性能分析方法。

调试准备：先看清流水线

走进一家中央厨房，你肯定不会一上来就掀开锅盖。厨师长会先带你走一遍动线：食材从仓库进来，在洗切台预处理，到备料区调味，再到灶台烹饪，最后装盘出菜。MLIR编译器也是同样的逻辑：一个模型先被lowering成多层IR，再被一系列Pass逐段加工。调试的第一步，就是先看清这条流水线的全貌——哪些Pass先后执行，它们各自改了IR的哪一部分。

在MLIR中，Pass是独立的优化或转换单元，就像厨房里的“工序”；IR（Intermediate Representation，中间表示）是工序间传递的半成品。我们调试的大部分动作，都在问两个问题：某个Pass到底有没有跑？跑完后IR变成了什么？为此需要准备三样基础工具：一是知道Pass流水线的构建方式，二是会用mlir-opt这个“操作台”，三是能读懂IR文本格式。

mlir-opt是MLIR自带的瑞士军刀，它能加载一个.mlir文件，按照命令行提供的--pass-pipeline执行Pass序列，比如mlir-opt input.mlir --pass-pipeline='builtin.module(func.func(canonicalize, cse))' -o output.mlir。IR文本则以Module、Func、Block、Operation形成树状结构，打印出来的每一段都能对照源码找到位置。调试前建议先跑一个最小样例，确认工具链和Pass顺序。

就像厨师长先在图纸上标注每道工序的位置，调试前把Pass顺序和IR状态画在心里，后续不管是打印还是断点，都能精准找到那一截传送带。

IR打印：端出半成品看看

做菜讲究“边做边尝”。师傅炒到一半会用小勺舀一勺汤，看看颜色和咸淡。MLIR调试中最常用的招数也是这个：把IR这个“半成品”从流水线上端出来，看看它在某个Pass之后变成了什么样。

IR打印不是往代码里塞printf，而是MLIR内置的调试能力。它能在每个Pass执行前或执行后输出当前IR的完整快照。你不需要手动维护日志，只需要在mlir-opt命令上追加开关。

最常用的开关包括：--mlir-print-ir-before-all（每个Pass前打印）、--mlir-print-ir-after-all（每个Pass后打印）、--mlir-print-ir-after=canonicalize（只打印canonicalize这个Pass之后的结果）、--mlir-print-ir-module-scope（以module为单位整体打印）。如果输出量巨大，记得把结果用-o /dev/null或重定向到文件，再配合grep筛选。

打印IR就像是给每道工序拍照归档，照片越多，越容易对比出“食材从哪一步开始不对劲”。

断点调试：在灶台前喊停

如果只是拍照还不够，厨师长会直接喊“停”！让整条流水线定格，然后走到某个灶台前仔细检查锅里的菜。断点调试就是给编译器按下的暂停键。

在MLIR中调试Pass，可以借助调试器在Pass的执行函数处设置断点。Pass的核心逻辑通常写在runOnOperation方法里，在这里下断点就能拦下某个Pass，然后单步观察IR如何被改写。

MLIR本身是LLVM生态的一部分，所以常用gdb/lldb。此外也能在Pass源码中用llvm::dbgs()打印debug信息，并用-debug-only=...按关键字过滤。若想按“IR中出现某类操作”暂停，可以在条件断点写一个谓词，匹配当前Operation的名字和属性。

只在最关键的灶台前喊停，其余工序照常跑，调试才不至于影响整个后厨的节奏。

优化验证：试菜确认效果

一道菜做出来好不好，最终要试菜说了算。Pass也是一样：“运行过”不等于“生效了”。就像厨师把菜翻炒了两下，但食材可能压根没变化。

优化验证的目的是确认Pass是否真正改变了IR，并且在语义保持的前提下变得更优。MLIR提供了统计和测试机制帮助验证。

第一，直接对比Pass前后IR，看是否有预期中的模式出现或消失；第二，使用--mlir-pass-statistics统计每个Pass执行的次数、处理的Operation数量等信息；第三，写FileCheck测试，在IR文本上挂CHECK、CHECK-NOT、CHECK-LABEL等断言。比如编译器工程中常见的mlir-opt input.mlir --pass-pipeline='builtin.module(cse)' | FileCheck input.mlir。

只有试菜合格的工序才能继续，确认优化真正生效，流水线才值得继续跑下去。

性能分析：给厨师戴上秒表

当上菜越来越慢时，厨师长会给每位厨师发一个秒表，记录每道工序耗时。Pass性能分析做的就是这件事：给每个Pass计时，找出整个编译流水线里的时间黑洞。

MLIR内置了计时工具--mlir-timing，开启后每个Pass执行完都会记录自己的耗时，最后输出一份流水线耗时清单。

--mlir-timing支持不同的展示形式，比如--mlir-timing-display=tree按调用树展示，list按列表展示，json方便脚本解析。性能分析前先关掉调试输出和IR打印，因为它们会严重污染计时结果。也可以配合--mlir-pass-statistics，把“耗时”和“改动量”两张表放一起看，判断耗时高是因为改动大还是实现低效。

秒表一戴，哪个厨师在磨洋工一目了然。同样，性能分析会告诉你，到底是哪个Pass吃掉了大部分编译时间。

耗时剖析：工时的秘密账本

秒表只能告诉你每个环节的绝对用时，可真正决策要靠工时账本：洗菜只要2分钟，摆盘却要1小时，那摆盘就是优化重点。耗时剖析就是在算每个Pass的耗时占比。

只看单个Pass的绝对时间容易被误导。比如一个Pass耗时3秒，看着不多，但总编译时间只有5秒，那它就已经占了60%。所以要算占比、找热点Pass。

我们可以把--mlir-timing输出的json导入Python或jq，计算每个Pass的累计耗时、平均耗时和占比；也可以把多次运行的平均值作为基准。定位到热点Pass后，再结合--mlir-print-ir-before/after观察它到底在处理什么复杂结构，进一步优化。

账本越细，主厨越清楚该给哪个灶台添人手，而不是凭感觉乱抓药。

调试策略：二分法揪出“搞砸”的工序

如果顾客投诉菜味不对，厨师长不会从第一道工序开始怀疑，而是先尝中间的半成品：如果中间就已经坏了，说明问题在前面；如果中间没事，问题就在后面。这种折半查找的思路，就是二分定位。

当Pass流水线很长时，不要傻乎乎从第一个Pass挨个查。先把Pass序列分成前后两半，分别运行并观察IR坏在哪一半；不断对半切，很快就能定位到元凶Pass。

实际操作中，先用--pass-pipeline构造一个只包含前半段的流水线，再构造后半段，打印关键IR做对比。同时尽量使用最小复现：只保留触发问题的必要IR操作，去掉无关的Pass；再和基线（比如完全不优化、或只用单个Pass）对比，确认哪些Pass是必须的。

有了二分法，就不用从第一口菜开始尝到最后一盘，而是像拆盲盒一样精准锁定搞砸的那道工序。

实践要点：后厨管理手册

成熟的后厨都有自己的管理手册：调料瓶贴标签、日志分级记录、每隔一段时间盘点。日常调试MLIR Pass也需要这样一套规范，才能避免在复杂流水线中迷失方向。

实践要点包括：用好日志级别、控制输出量、记住常见陷阱。LLVM/MLIR的调试日志用llvm::dbgs()打印，可以用-debug-only=pass名只输出某个Pass的日志；不要一上来就全量打印IR。

--mlir-print-ir-after-all的输出可能达到GB级别，一定要配合-o /dev/null或| grep按需查看。记住--mlir-pass-statistics输出的是统计信息，--mlir-timing输出的是时间信息，两者不要混用。多线程（Threading）开启时，IR打印和耗时统计的顺序可能不稳定，必要时关闭并行让结果可复现。

手册越规范，后厨越稳定；实践要点记心间，Pass调试和性能分析才能从“碰运气”变成“按图索骥”。

AI 应用场景

Python 演示

import time  # 模拟MLIR Pass: 常量折叠def fold_constants(ir_text):    time.sleep(0.02)    return ir_text.replace("arith.constant 21", "arith.constant 21")  # 模拟MLIR Pass: 死代码消除def dead_code_eliminate(ir_text):    time.sleep(0.01)    return "\n".join(line for line in ir_text.splitlines() if "debug" not in line)  # 模拟MLIR Pass: 公共子表达式消除def common_subexpr(ir_text):    time.sleep(0.03)    return ir_text.replace("%z = arith.addi %y, %y", "%z = arith.addi %y, %y")  class PassPipeline:    def __init__(self, ir_text):        self.ir_text = ir_text        self.steps = []        self.timings = {}     def add_pass(self, pass_name, fn):        self.steps.append((pass_name, fn))     def run(self):        for pass_name, fn in self.steps:            start = time.perf_counter()            self.ir_text = fn(self.ir_text)            cost = time.perf_counter() - start            self.timings[pass_name] = cost            print("[IR] after %-12s\n%s" % (pass_name, self.ir_text))        return self.ir_text  if __name__ == "__main__":    input_ir = """module {  func.func @main() {    %x = arith.constant 21 : i32    %y = arith.muli %x, %x : i32    %z = arith.addi %y, %y : i32    return  }}"""    pipeline = PassPipeline(input_ir)    pipeline.add_pass("ConstFold", fold_constants)    pipeline.add_pass("DCE", dead_code_eliminate)    pipeline.add_pass("CSE", common_subexpr)    pipeline.run()    total = sum(pipeline.timings.values())    print("Total time: %.6f s" % total)    for name, t in pipeline.timings.items():        print("%s: %.6f s (%.1f%%)" % (name, t, t / total * 100))

1. pipeline.add_pass("ConstFold", fold_constants)把Pass名字和执行函数注册进流水线，相当于在mlir-opt里追加一个Pass。
2. start = time.perf_counter()在Pass运行前启动高精度计时器，对应--mlir-timing的计时原理。
3. self.ir_text = fn(self.ir_text)执行Pass并更新当前IR，模拟IR在流水线上流动。
4. self.timings[pass_name] = cost记录每个Pass耗时，供最后占比分析用。
5. t / total * 100计算单个Pass耗时占比，对应正文中的耗时剖析公式。

常见误区

面试题