總覽
為了區隔不同的硬體和軟體目標，MLIR 具有「方言」，包括：
- TensorFlow IR，代表 TensorFlow 圖表中所有可能的事物。
- XLA HLO IR，旨在充分利用 XLA 的編譯能力 (以及輸出到 TPU 等目標)。
- 實驗性的仿射方言，專注於多面體表示法和最佳化。
- LLVM IR，它與 LLVM 自身的表示法之間具有 1 對 1 的對應關係，MLIR 可以透過 LLVM 發出 GPU 和 CPU 程式碼。
- TensorFlow Lite，將轉譯為在行動平台執行的程式碼。
每個方言都包含一組定義的操作，這些操作具有置於其上的不變量，例如：「這是一個二元運算子，而輸入和輸出具有相同的類型。」
新增至 MLIR
MLIR 沒有固定的/內建的全域已知操作清單 (沒有「內部函數」)。方言可以定義完全自訂的類型，這就是 MLIR 如何為 LLVM IR 類型系統 (具有第一級彙總)、對於 ML 優化加速器 (如量化類型) 重要的網域抽象概念，甚至是 Swift 或 Clang 類型系統 (這些系統圍繞 Swift/Clang 宣告節點建構) 等事物建模的方式 (未來亦然)。
如果您想要連接新的低階編譯器，您可以建立新的方言以及 TensorFlow Graph 方言與您的方言之間的降低。這為硬體和編譯器製造商鋪平了道路。您甚至可以在同一模型中以不同的層級為目標方言；較高層級的最佳化工具會尊重 IR 的不熟悉部分，並等待較低層級來處理。