python因其易用性和灵活性，被广泛应用于深度学习框架和AI编译器前端。像现在火爆的pytorch框架推崇python first哲学，pytorch这种命令式的执行方式（eager模式）非常方便研发和调试。但是eager模式不方便生产部署，也不能发挥硬件的极致性能。pytorch 2.0正式引入图编译器作为后端，可能也是想做到动静结合，收敛之前的多条编译器路线（torch.jit.script、torch.jit.trace、LazyTensor）到TorchDynamo方案。

python作为动态语言，想要转换为静态的图IR是困难的，目前主要有下面三种方案：

• Tracing Based：主要把Python代码假执行一遍，保存执行序列，基于执行序列变换到图层IR进行编译优化。例如 pytorch torch.jit.trace。
• AST Based：主要通过Python的修饰符（例如Numba），把Python代码的AST拿到，然后变换成图层的IR，进行编译优化。例如 torch.jit.script。
• ByteCode Based：主要原理在Python的bytecode上做 graph capture，如果发现有不支持的Python语法，fallback到python bytecode，从而保证泛化性。例如TorchDynamo。

Tracing的模式不好处理动态控制流，比如循环，对于tracing来说就是展开，但是有些情况下循环无法展开，如循环条件根据训练的收敛情况/算子的执行结果等。AST模式的问题是python语法的翻译需要比较全量的翻译，工程量比较大/方案比较复杂。ByteCode的方法也会遇到不支持的语法也会fall back到python执行，至于实际效果如何有待观察。

以上的静态化方法最大的困难还是python这种灵活的动态语言如何转换为静态IR的问题，似乎都是妥协的做法，还不是完美的方案。不过只要fall back的机制+图编译的方式在不影响用户体验的基础上有可观的性能收益，就会继续迭代向前发展。

更加专业和详细的分析参阅下面大佬们的博客：
https://zhuanlan.zhihu.com/p/508345356
https://zhuanlan.zhihu.com/p/416643687
https://zhuanlan.zhihu.com/p/393031067
https://zhuanlan.zhihu.com/p/383547872
https://www.zhihu.com/question/396105855/answer/1868408680
https://www.zhihu.com/question/570220953/answer/2802367735