MindSpore IR中的CNode节点解析

以 22_execute_0693.ir 里的19个cnodes为例，该IR文件通过MNIST数据集的推理过程产生。

[mindspore@asc ir]$ grep "%[0-9]\+" 22_execute_0693.ir
%0(CNode_256) = PrimFunc_Flatten(%para1_x) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%1(ValueNode_257$input_data$logits) = Load(%para2_dense_relu_sequential.0.weight, UMonad[U]) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%2(x) = PrimFunc_MatMul(%0, %1, Bool(0), Bool(1)) {instance name: matmul} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%3(ValueNode_258$input_data$logits) = Load(%para3_dense_relu_sequential.0.bias, UMonad[U]) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%4(x) = PrimFunc_BiasAdd(%2, %3, I64(0)) {instance name: bias_add} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%5(CNode_259$input_data$logits) = PrimFunc_ReLU(%4) {instance name: relu} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%6(ValueNode_260$input_data$logits) = Load(%para4_dense_relu_sequential.2.weight, UMonad[U]) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%7(x) = PrimFunc_MatMul(%5, %6, Bool(0), Bool(1)) {instance name: matmul} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%8(ValueNode_261$input_data$logits) = Load(%para5_dense_relu_sequential.2.bias, UMonad[U]) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%9(x) = PrimFunc_BiasAdd(%7, %8, I64(0)) {instance name: bias_add} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%10(CNode_262$input_data$logits) = PrimFunc_ReLU(%9) {instance name: relu} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%11(ValueNode_263$input_data$logits) = Load(%para6_dense_relu_sequential.4.weight, UMonad[U]) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%12(x) = PrimFunc_MatMul(%10, %11, Bool(0), Bool(1)) {instance name: matmul} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%13(ValueNode_264$input_data$logits) = Load(%para7_dense_relu_sequential.4.bias, UMonad[U]) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%14(x) = PrimFunc_BiasAdd(%12, %13, I64(0)) {instance name: bias_add} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%15(ValueNode_265) = MakeTuple(%11, %6, %1, %3, %8, %13) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%16(ValueNode_266) = UpdateState(UMonad[U], %15) cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
%17(CNode_267$logits) = Depend(%14, %16) primitive_attrs: {side_effect_propagate: I64(1)} cnode_attrs: {checkpoint: Bool(1), is_dynamic_len: Bool(0)}
Return(%17) primitive_attrs: {visited: Bool(1)} cnode_attrs: {checkpoint: Bool(1)}

Node（节点） 是 MindSpore 计算图中的一个基本单元。包括：

• CNode（计算节点）
• Parameter Node（参数节点）
• ValueNode（常量节点）
• Primitive Node（算子节点）

CNode（Compute Node，计算节点） 是 实际执行计算的节点，如算子调用、函数调用等。每个 CNode 包含：

• 输入（其他 Node）
• 算子（Primitive）
• 属性（attrs）

在 IR 中，CNode 通常以 CNode_xxx 或带别名的形式出现（如 %2(x)）。19 个 CNode 的详细说明如下：

本 IR 中，总 Node 数：39 ，总 CNode 数：19，其余 20 个 Node 可能是 ValueNode、Parameter、Primitive 等非计算节点。CNode类型统计如下：

其中，

• 参数操作: 6个Load
• 核心计算: 3个MatMul + 3个BiasAdd + 2个ReLU + 1个Flatten = 9个
• 图控制（状态管理）: 1个MakeTuple + 1个UpdateState + 1个Depend + 1个Return = 4个

下面介绍最后几个依赖关系处理节点的作用：

1. %15(ValueNode_265) = MakeTuple(%11, %6, %1, %3, %8, %13)

# 把所有加载的参数打包成一个元组
参数元组 = (输出层权重, 隐藏层2权重, 隐藏层1权重, 
           隐藏层1偏置, 隐藏层2偏置, 输出层偏置)

收集所有通过Load操作加载的参数，为后续的状态更新做准备

2. %16(ValueNode_266) = UpdateState(UMonad[U], %15)

# 更新计算图的状态
新状态 = UpdateState(当前状态, 参数元组)

UMonad：是一个"状态单子"，用于跟踪副作用操作（如参数加载），告诉计算图"这些加载操作已经完成了"

3. %17(CNode_267$logits) = Depend(%14, %16)

# 建立依赖关系：确保计算 %14 之前先完成 %16
最终logits = Depend(原始计算结果, 状态更新)

强制计算顺序。“在返回最终logits之前，必须确保所有参数加载操作都已完成”

这些节点确保参数加载操作在计算之前完成，避免了潜在的竞态条件，保证了计算结果的正确性。

• 训练时：参数可能在不断更新，依赖关系很重要
• 推理时：参数是固定的，但MindSpore保持相同的计算图结构
• 一致性：确保训练和推理的计算逻辑一致