TPU-MLIR 的整体架构，就是将原始模型转为处理器无关层的 mlir 模型，经过图优化后再下沉到处理器相关层，然后在处理器相关层里经过一系列的优化操作最终生成能够在 tpu 上运行的二进制模型。
而前端转换在整个架构里面承担的就是初步的模型转换工作，也就是将原始模型转为 Top 层模型，但这个过程并不包含算子优化部分，所以它其实就是照本宣科地按照原模型的结构来生成 MLIR 文件。最终我们会得到一个初始的 mlir 文件以及存放模型权重的 npz 文件。
在 TPU-MLIR 中，整个前端的工作流程其实可以分为前提，输入，初始化 Converter，生成 mlir 文本，输出结果这五个步骤。
其实模型转换本质上就是对模型中每个算子进行转换，所以在将模型转换为某个 Dialect 中的 IR 前，就需要先在相应的 td 文件中对每个 Op 进行定义；
接着我们通过 model_transform.py 接口输入原始模型以及预处理参数，通常我们可以在每个模型的官网上查看到它的预处理信息；
根据输入的模型类型我们会调用针对该深度学习框架的 Converter 来加载模型，提取模型转换所需的信息用于后续的 mlir 算子创建，以及初始化 mlir 模型；
接着我们通过遍历整个原模型，加上前一步中获得的信息，便可以在初始的 mlir 文本中按照原模型的结构逐一插入算子，生成完整的 mlir 模型；
最后将结果保存在对应的文件中，便完成了前端转换流程。
在 Converter 初始化中主要提取的信息有模型的输入与输出名称，各个算子的输出形状以及算子中带有的权重，而初始的 mlir 模型其实就是只包含 moduleOP 与 main function Op 的文本。
在遍历原始模型时，会与原模型一一对应地创建 Op，然后按顺序插入到 mlir_module 中，并且将对应的 Op result, 也就是操作数保存在 operands 字典里，方便在创建后续 op 时作为输入。
其中，如果中间算子带有权重，我们还会额外为其创建 weightOp，weightOp 也会作为带权重算子的输入之一，所以它也会作为操作数被加入到 operands 字典里。
接下来我们以一个简单的 ONNX 卷积网络作为例子进行前端转换，首先我们会在 Top 层的 td 文件里定义 Conv 算子，这个定义中的 Value 部分就是我们之后在创建 mlir 的 Conv 算子时需要获取的操作数以及这个 op 会输出的 op result，Attr 部分是我们需要从 onnx 算子中获取的属性。
在 load_onnx_model 阶段我们从原模型获取了所需的信息，然后在 init_MLIRImporter 阶段初始化了 mlir 模型，接着我们开始遍历整个卷积模型，逐一创建并把对应的 Op 插入到 mlir 文本里。
首先是根据 input_names，shapes 中的信息创建并插入了 inputOp，如果我们转换的是一些带有预处理信息，较为复杂的 CV 模型，我们这里还需要读取输入阶段的预处理参数。
当碰到 Conv 这个带有 weight 与 bias 权重的中间算子时，会先创建对应的 weightOp，插入到 mlir 文本中并把操作数添加到 operands 里，接着再创建 ConvOp 并重复相同的插入操作。
完成遍历后根据 output_names 列表中的输出名称获取对应的操作数，创建并插入 returnOp，注意这个 returnOp 较为特殊，主要是为了在结尾指明模型的输出都有哪些，所以并不会被加入到 operands 字典里，至此便完成了整个前端转换流程。