支持搬运通路建模（Atlas A2训练系列产品）
在Atlas A2训练系列产品中，新增了L1到fixpipe buffer及L1到Bias table。前者是存在L0C_TO_OUT随路转换时存储量化转换的scale参数，后者是存一维的bias数据。在本工具中，只需按GM-L1-Bias table/FP的顺序通路搬运即可。
```
in_x = Tensor("GM", "FP16", [64], format="ND")
l1_x = Tensor("L1")
fp_x = Tensor("FB")
bt_x = Tensor("BT")
l1_x.load(in_x)
l1_x_to_fp = l1_x[0:32]
l1_x_to_bt = l1_x[32:64]
fp_x.load(l1_x_to_fp)
bt_x.load(l1_x_to_bt)
```
支持随路转换建模
 在昇腾AI处理器的CUBE单元中，进行计算的数据格式需要是特殊的私有NZ格式。而通常在GM上的数据都是ND格式，因此在进行Cube运算时，需要将数据格式进行转换。在Atlas A2训练系列产品中，GM到CUBE相关的存储单元的搬运通路已具备ND转NZ的随路转换能力。

在mskpp工具中，若GM-L1且用户定义GM的tensor是ND，L1的tensor是NZ，或从L0C-GM且用户定义L0C上的tensor是NZ，GM的tensor是ND，则开启随路转换，调取相关实测数据。
```
in_x = Tensor("GM", "FP16", [128, 256], format="ND")
l1_x1 = Tensor("L1", format="NZ")
l1_x2 = Tensor("L1", format="NZ")
l1_x1.load(in_x[128, 0:128])
l1_x2.load(in_x[128, 128:])
```
支持cache命中率建模
 L2Cache是指部分GM空间与vectorcore和cubecore存在高带宽的搬运通路，当L2Cache命中率接近100%与L2Cache命中率接近0%时，带宽能有两倍以上的差距。mskpp工具目前支持用户手动调整L2Cache命中率。
```
with Chip("Ascendxxxyy") as chip:
    config = {"cache_hit_ratio": 0.6}
    chip.set_config(config)
```

支持tensor拆分使用

mskpp工具中，Tensor拆分是指将一个大的Tensor用切片的手段生成新的小Tensor，例如：

in_x = Tensor("GM", "FP16", [128, 256], format="ND")
in_x_1 = in_x[128, 0:128]    # 大小1*128
in_x_2 = in_x[128, 64:]    # 大小1*64

支持debug模式
该模式可使能用户初步定位DSL语言编码过程中哪个指令的出队入队存在问题，提升与工具开发共同定位的效率，使能方式如下：
```
with Chip("Ascendxxxyy", debug_mode=True) as chip:
```
支持pipe信息的理论值与msprof实测值比对
以Ascend C算子为例，通过--application方式调用msprof，在OPPROF_{timestamp}_XXX目录中输出PipeUtilization.csv文件，并在脚本中使能：
```
with Chip("Ascendxxxyy") as chip:
    chip.enable_metrics() chip.set_prof_summary_path("/home/HwHiAiUser/project/add_custom/OPPROF_{timestamp}_XXX/PipeUtilization.csv")
```
生成的Pipe_statistic.csv文件包含“ProfDuration(us)_0”和“ProfRatio_0”两列，其中ProfDuration(us)_0列的取值和PipeUtilization.csv文件中对应的值一致，ProfRatio_0为实测值跟理论值的比值。 ProfRatio是实测值相对理论值的倍数，倍数越大，优化空间越大。
图1 Pipe_statistic.csv文件

特性使用说明