模式重写是mlir的一个基础框架，它允许用户定义规则，将某种模式的代码转换为另一种更优化或者目标特定的代码
Benefit
“预期收益”
预期收益可以在pattern的定义阶段指定，称为“静态收益”， 预期收益也可以在pattern的apply阶段动态计算，即“动态计算”，这可能需要依赖一些动态信息，例如当前的配置情况
Root Operation Name（Optional）
“根操作名称”
指定RootOperationName有助于加快模式的匹配流程，因为只有满足条件的算子才会尝试进行匹配
当未指定RootOperationName的时候，会尝试对所有的算子进行匹配，并且需要用到MatchAnyOpTypeTag（）标记
match and rewrite implementation
“匹配”，“重写”
- 单独的match和rewrite方法
match： 检查操作是否符合模式，如果匹配成功返回 success()，失败则返回 failure()
rewrite：对match成功的算子进行重写
- 组合的matchAndRewrite方法
matchAndRewrite: 同时执行匹配和重写。
Restrictions
- match阶段
match阶段禁止对IR进行修改
- rewrite阶段
所有对IR的修改必须通过提供的重写器进行
- 根操作的处理
如果根操作匹配成功，则必须进行某些处理（替换、删除、更新），如果直接返回是不合法的
Debug Names and Labels
增加调试信息
class MyPattern : public RewritePattern { public: /// Inherit constructors from RewritePattern. using RewritePattern::RewritePattern; void initialize() { setDebugName("MyPattern"); addDebugLabels("MyRewritePass"); } // ... }; void populateMyPatterns(RewritePatternSet &patterns, MLIRContext *ctx) { // Debug labels may also be attached to patterns during insertion. This allows // for easily attaching common labels to groups of patterns. patterns.addWithLabel<MyPattern, ...>("MyRewritePatterns", ctx); }
initialize
初始化钩子