update

test/ir_mutator.cc

@@ -0,0 +1,78 @@
+#include <string>
+#include <iostream>
+
+#include "IR.h"
+#include "IRMutator.h"
+#include "IRVisitor.h"
+#include "IRPrinter.h"
+#include "type.h"
+
+using namespace Boost::Internal;
+
+
+class MyMutator : public IRMutator {
+ public:
+  Expr visit(Ref<const Var> op) override {
+    if (op->name == "A") {
+      return Var::make(op->type(), "modified_A", op->args, op->shape);
+    }
+    return IRMutator::visit(op);
+  }
+};
+
+
+int main() {
+    const int M = 1024;
+    const int N = 512;
+    const int K = 256;
+    Type index_type = Type::int_scalar(32);
+    Type data_type = Type::float_scalar(32);
+
+    // index i
+    Expr dom_i = Dom::make(index_type, 0, M);
+    Expr i = Index::make(index_type, "i", dom_i, IndexType::Spatial);
+
+    // index j
+    Expr dom_j = Dom::make(index_type, 0, N);
+    Expr j = Index::make(index_type, "j", dom_j, IndexType::Spatial);
+
+    // index k
+    Expr dom_k = Dom::make(index_type, 0, K);
+    Expr k = Index::make(index_type, "k", dom_k, IndexType::Reduce);
+
+    // A
+    Expr expr_A = Var::make(data_type, "A", {i, k}, {M, K});
+
+    // B
+    Expr expr_B = Var::make(data_type, "B", {k, j}, {K, N});
+
+    // C
+    Expr expr_C = Var::make(data_type, "C", {i, j}, {M, N});
+
+    // main stmt
+    Stmt main_stmt = Move::make(
+        expr_C,
+        Binary::make(data_type, BinaryOpType::Add, expr_C,
+            Binary::make(data_type, BinaryOpType::Mul, expr_A, expr_B)),
+        MoveType::MemToMem
+    );
+
+    // loop nest
+    Stmt loop_nest = LoopNest::make({i, j, k}, {main_stmt});
+
+    // kernel
+    Group kernel = Kernel::make("simple_gemm", {expr_A, expr_B}, {expr_C}, {loop_nest}, KernelType::CPU);
+
+    // mutator
+    MyMutator mutator;
+    kernel = mutator.mutate(kernel);
+
+    // printer
+    IRPrinter printer;
+    std::string code = printer.print(kernel);
+
+    std::cout << code;
+
+    std::cout << "Success!\n";
+    return 0;
+}

编译大作业-第一部分.md

@@ -16,7 +16,7 @@ CList: 常量列表
 AList: 变量列表
 ```
 ```bnf
-P ::= P S| S
+P ::= P S | S
 S ::= LHS = RHS ;
 LHS ::= TRef
 RHS ::= RHS + RHS
@@ -33,7 +33,7 @@ TRef ::= Id < CList > [ AList ]
 SRef ::= Id < CList >
 CList ::= CList , IntV | IntV
 AList ::= AList , IdExpr | IdExpr
-IdExpr ::= Id | IdExpr + IdExpr | IdExpr + IntV | IdExpr * IntV | IdExpr // IntV | IdExpr % IntV | (IdExpr)
+IdExpr ::= Id | IdExpr + IdExpr | IdExpr - IdExpr | IdExpr + IntV | IdExpr * IntV | IdExpr // IntV | IdExpr % IntV | (IdExpr)
 Const ::= FloatV | IntV
 ```
 另外，虽然文法允许张量名字出现在AList中，但是在语义上这是不允许的，所以在测试例子中不会出现这种输入。

编译大作业-第二部分.md

@@ -22,7 +22,9 @@ loss = mse_loss(Y2, T)  # loss is scalar
 
 #### 2.2 问题定义
 __现在我们开始进行问题描述：__
-对于一个给定的表达式$Output = expr(Input_1, Input_2, ..., Input_n)$（$Output, Input_i$是张量或标量, $expr()$表示用其参数构造一个表达式），我们如果已知了最终loss对于$Output$的导数$dOutput = \frac{\partial loss}{\partial Output}$，我们想知道loss对于某个输入的导函数是什么，也就是求$dInput_i = \frac{\partial loss}{\partial Input_i}$的问题，**我们要求必须从表达式IR层面分析出求导的表达式，而不能根据case的名字硬编码答案**。
+对于一个给定的表达式$Output = expr(Input_1, Input_2, ..., Input_n)$（$Output, Input_i$是张量或标量, $expr()$表示用其参数构造一个表达式），我们如果已知了最终loss对于$Output$的导数$dOutput = \frac{\partial loss}{\partial Output}$，我们想知道loss对于某个输入的导函数是什么，也就是求$dInput_i = \frac{\partial loss}{\partial Input_i}$的问题，**我们要求如下：**
+- 分析出来的求导表达式是一个或多个赋值语句形式，每个语句左侧的下标索引上不能有加减乘除等运算，也就是不能出现`A[i+1] = B[i]`的形式。
+- 必须通过对输入表达式的编译分析过程，综合出求导表达式的内容，并生成代码，不能通过判断case的名字直接得出求导表达式（这样就和传统框架一样了），也不能用打表法直接打印出字符串
 
 #### 2.3一个例子
 为了帮助理解，我们给一个例子：
@@ -194,7 +196,6 @@ pdf评分标准：
 #### 4.4 审查法
 审查代码是为了防止同学作弊，作弊的定义包含：
 - 拷贝或修改run2.h/run2.cc/clean2.cc的内容
-- 不使用任何编译分析技术直接输出字符串到kernels/目录下
 - 任何两组的代码重合度过高甚至完全一致
 - 完全使用第三方项目解决问题
 - 报告内容与实际实现不一致
@@ -217,7 +218,44 @@ https://github.com/halide/Halide/blob/master/src/Derivative.cpp
 https://github.com/apache/incubator-tvm/pull/2498
 4. 二维卷积反向传播推导
 https://zhuanlan.zhihu.com/p/61898234
+5. 线性下标变换下求导方法
+https://arxiv.org/abs/1711.01348
 
 ### 6. 讨论
 Project可能潜在的bug可以在微信群、github issue上提出，有价值的issue可以为全组加分，每个bug加1分
-另外，鼓励小组内部协作与讨论，也鼓励适当的小组间交流，交流方式为github issue或微信群，助教也会参与讨论，解答一些技术问题。
+另外，鼓励小组内部协作与讨论，也鼓励适当的小组间交流，交流方式为github issue或微信群，助教也会参与讨论，解答一些技术问题。
+
+### 附录
+#### 1. IRMutator的使用
+IRMutator的功能是遍历IR，并且在遍历到每个节点的时候，返回一个新的IR节点。默认的IRMutator行为是返回和先前一摸一样的新节点。实际使用时，可以通过继承IRMutator，并重载特定的visit函数来定制对于IRMutator的遍历和修改行为。所有通过IRMutator对于AST的修改，都是创造新的AST，所以不会影响原来的AST的内容。
+
+在test/目录下，ir_mutator.cc文件中展示了一个简单的定制Mutator的过程：
+```c
+class MyMutator : public IRMutator {
+ public:
+  Expr visit(Ref<const Var> op) override {
+    if (op->name == "A") {
+      return Var::make(op->type(), "modified_A", op->args, op->shape);
+    }
+    return IRMutator::visit(op);
+  }
+};
+```
+利用这个Mutator，可以把表达式里名字为"A"的Var节点更改为名字为"modified_A"的Var节点。
+```c
+MyMutator mutator;
+kernel = mutator.mutate(kernel);
+```
+更改后的kernel，打印出来是这样的:
+```py
+<CPU> simple_gemm(modified_A<1024, 256>, B<256, 512>, C<1024, 512>) {
+  for i<spatial> in dom[((int32_t <1>) 0), ((int32_t <1>) 1024)){
+    for j<spatial> in dom[((int32_t <1>) 0), ((int32_t <1>) 512)){
+      for k<reduce> in dom[((int32_t <1>) 0), ((int32_t <1>) 256)){
+        C[i, j] =<mem_to_mem> C[i, j] + modified_A[i, k] * B[k, j]
+      }
+    }
+  }
+}
+```
+可以看到名字的确改了。这样，我们可以利用IRMutator实现很多不同的pass。