功能说明
根据sel的比特位值选取element，当sel的比特位是1时从src0中选取，比特位是0时从src1选取，选取后的结果记为dst_temp，然后根据mask值对dst_temp进行过滤，有效位填入最终的dst，无效位则保持dst原始值。
例如：src0为[1,2,3,4,5,6,7,8]，src1为[9,10,11,12,13,14,15,16]，sel为[0,0,0,0,1,1,1,1]，mask为[1,1,1,1,0,0,0,0]，dst原始值为[-1,-2,-3,-4,-5,-6,-7,-8]，则根据sel的比特位选取后的结果dst_temp为：[9,10,11,12,5,6,7,8]，然后再根据mask进行过滤，dst的最终输出结果为[9,10,11,12,-5,-6,-7,-8]。
函数原型
vec_sel(mask, mode, dst, sel, src0, src1, repeat_times, dst_rep_stride=0, src0_rep_stride=0, src1_rep_stride=0)
PIPE：Vector
参数说明
参数名称 |
输入/输出 |
含义 |
|---|---|---|
mask |
输入 |
请参考表1中mask参数描述。 |
mode |
输入 |
指令模式，支持0~2共3种模式； 0 -> 根据sel的值对两个tensor进行选取，支持多次迭代，每次迭代均依据sel的前128(目的操作数为float16类型)/64(目的操作数为float32类型)个bit位； 1 -> 根据sel中的逐个bit，对一个tensor与一个标量进行选取，支持多次迭代； 2 -> 根据sel中的逐个bit，对两个tensor的进行选取，支持多次迭代； Atlas 200/300/500 推理产品，仅支持mode=0。 Atlas 训练系列产品，仅支持mode=0。 |
dst |
输出 |
目的操作数，tensor起始element。 Tensor的scope为Unified Buffer。 Atlas 200/300/500 推理产品，支持的数据类型为：Tensor(float16)。 Atlas 训练系列产品，支持的数据类型为：Tensor(float16/float32)。 Atlas推理系列产品AI Core，支持的数据类型为：Tensor（float16/float32）。 Atlas推理系列产品Vector Core，支持的数据类型为：Tensor（float16/float32）。 Atlas A2训练系列产品，dst/src0/src1支持的数据类型为：Tensor（float16/float32）。 |
sel |
输入 |
选取mask，每个bit表示1个element的选取，当sel的比特位是1时从src0中选取，比特位是0时从src1选取。 mode配置为0/1/2时sel均传入tensor，支持的数据类型为：Tensor(uint8/uint16/uint32/uint64)。
|
src0 |
输入 |
源操作数0，tensor起始element。 Tensor的scope为Unified Buffer。 注：src0，src1数据类型应与dst保持一致。 |
src1 |
输入 |
源操作数1，tensor起始element。 Tensor的scope为Unified Buffer。 模式0/2应配置为tensor；模式1应配置为Scalar/立即数(int, float)； 注：src0，src1数据类型应与dst保持一致。 |
repeat_times |
输入 |
重复迭代次数。 |
dst_rep_stride |
输入 |
相邻迭代间，目的操作数相同block地址步长。 |
src0_rep_stride |
输入 |
相邻迭代间，源操作数0相同block地址步长。 |
src1_rep_stride |
输入 |
相邻迭代间，源操作数1相同block地址步长。 注：模式1时无效。 |
返回值
无
支持的型号
Atlas 200/300/500 推理产品
Atlas 训练系列产品
Atlas推理系列产品AI Core
Atlas推理系列产品Vector Core
Atlas A2训练系列产品
注意事项
- 参数mode仅支持立即数。
- 参数repeat_times∈[0,255]，支持的数据类型为：Scalar(int16/int32/int64/uint16/uint32/uint64)、立即数(int)、Expr(int16/int32/int64/uint16/uint32/uint64)，当repeat_times为立即数时，不支持0。
- 指令dst_rep_stride/src0_rep_stride/src1_rep_stride
，单位为block_size。支持的数据类型：Scalar(int16/int32/int64/uint16/uint32/uint64)、立即数(int)、Expr(int16/int32/int64/uint16/uint32/uint64)。 - dst与src0、dst与src1应为不同tensor，或同一tensor的同一element，不支持同一tensor的不同element。
- 为了节省地址空间，开发者可以定义一个Tensor，供源操作数与目的操作数同时使用（即地址重叠），相关约束如下：
- 对于单次repeat（repeat_times=1），且源操作数与目的操作数之间要求100%完全重叠，不支持部分重叠。
- 对于多次repeat（repeat_times>1），若源操作数与目的操作数之间存在依赖，即第N次迭代的目的操作数是第N+1次的源操作数，这种情况是不支持地址重叠的。
- 操作数地址偏移对齐要求请见通用约束。
调用示例
- mode = 0
# mode 0 from tbe import tik tik_instance = tik.Tik() src0_gm = tik_instance.Tensor("float16", (256,), name="src0_gm", scope=tik.scope_gm) src1_gm = tik_instance.Tensor("float16", (256,), name="src1_gm", scope=tik.scope_gm) src0_ub = tik_instance.Tensor("float16", (256,), name="src0_ub", scope=tik.scope_ubuf) src1_ub = tik_instance.Tensor("float16", (256,), name="src1_ub", scope=tik.scope_ubuf) dst_gm = tik_instance.Tensor("float16", (256,), name="dst_gm", scope=tik.scope_gm) dst_ub = tik_instance.Tensor("float16", (256,), name="dst_ub", scope=tik.scope_ubuf) # 拷贝用户输入数据到src ubuf tik_instance.data_move(src0_ub, src0_gm, 0, 1, 16, 0, 0) tik_instance.data_move(src1_ub, src1_gm, 0, 1, 16, 0, 0) is_le = tik_instance.Tensor("uint16", (16,), name="is_le", scope=tik.scope_ubuf) tik_instance.vec_cmpv_le(is_le, src0_ub, src1_ub, 2, 8, 8) tik_instance.vec_sel(128, 0, dst_ub, is_le, src0_ub, src1_ub, 2, 8, 8, 8) # 将计算结果拷贝到目标gm tik_instance.data_move(dst_gm, dst_ub, 0, 1, 16, 0, 0) tik_instance.BuildCCE(kernel_name="vec_sel", inputs=[src0_gm, src1_gm], outputs=[dst_gm])结果示例：
输入数据(float16)： src0_gm = [ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77. 78. 79. 80. 81. 82. 83. 84. 85. 86. 87. 88. 89. 90. 91. 92. 93. 94. 95. 96. 97. 98. 99. 100. 101. 102. 103. 104. 105. 106. 107. 108. 109. 110. 111. 112. 113. 114. 115. 116. 117. 118. 119. 120. 121. 122. 123. 124. 125. 126. 127. 128. 129. 130. 131. 132. 133. 134. 135. 136. 137. 138. 139. 140. 141. 142. 143. 144. 145. 146. 147. 148. 149. 150. 151. 152. 153. 154. 155. 156. 157. 158. 159. 160. 161. 162. 163. 164. 165. 166. 167. 168. 169. 170. 171. 172. 173. 174. 175. 176. 177. 178. 179. 180. 181. 182. 183. 184. 185. 186. 187. 188. 189. 190. 191. 192. 193. 194. 195. 196. 197. 198. 199. 200. 201. 202. 203. 204. 205. 206. 207. 208. 209. 210. 211. 212. 213. 214. 215. 216. 217. 218. 219. 220. 221. 222. 223. 224. 225. 226. 227. 228. 229. 230. 231. 232. 233. 234. 235. 236. 237. 238. 239. 240. 241. 242. 243. 244. 245. 246. 247. 248. 249. 250. 251. 252. 253. 254. 255.] src1_gm = [2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.] 输出结果(注意：第二个迭代还是根据is_le的前128个bit进行选取): dst_gm = [ 0. 1. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 128. 129. 130. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2. 2.]
- mode = 1
# mode 1 from tbe import tik tik_instance = tik.Tik() src0_gm = tik_instance.Tensor("float16", (128,), name="src0_gm", scope=tik.scope_gm) sel_gm = tik_instance.Tensor("uint16", (16,), name="sel_gm", scope=tik.scope_gm) dst_gm = tik_instance.Tensor("float16", (128,), name="dst_gm", scope=tik.scope_gm) src0_ub = tik_instance.Tensor("float16", (128,), name="src0_ub", scope=tik.scope_ubuf) sel_ub = tik_instance.Tensor("uint16", (16,), name="sel_ub", scope=tik.scope_ubuf) dst_ub = tik_instance.Tensor("float16", (128,), name="dst_ub", scope=tik.scope_ubuf) # 拷贝用户输入数据到src ubuf tik_instance.data_move(src0_ub, src0_gm, 0, 1, 8, 0, 0) tik_instance.data_move(sel_ub, sel_gm, 0, 1, 1, 0, 0) src1 = tik_instance.Scalar(dtype="float16", init_value=5.2) tik_instance.vec_sel(128, 1, dst_ub, sel_ub, src0_ub, src1, 1, 8, 8, 8) # 将计算结果拷贝到目标gm tik_instance.data_move(dst_gm, dst_ub, 0, 1, 8, 0, 0) tik_instance.BuildCCE(kernel_name="vec_sel", inputs=[src0_gm, sel_gm], outputs=[dst_gm])结果示例：
输入数据(src0_gm): [ 7.047 -4.61 -2.754 -8.84 0.724 -7.03 -7.41 3.191 -5.715 5.375 7.97 -9.04 -7.51 5.297 -4.668 -2.234 -6.406 -4.133 3.457 6.25 6.332 2.072 4.99 5.32 -8.53 -5.195 2.773 3.496 3.469 1.08 8.55 7.95 -8.01 0.355 5.715 -8.13 1.624 -6.242 1.843 4.48 -7.227 -9.08 4.043 5.066 9.92 -0.2786 1.384 2.338 -2.158 5.65 -2.76 -3.553 9.125 -4.727 4.836 1.339 1.57 5.67 -9.89 5.16 2.68 3.041 -0.7236 -9.83 -2.875 3.049 -2.734 5.13 -6.285 -4.58 -1.953 -3.678 -1.075 2.342 -6.2 -1.131 -0.581 -4.168 4.375 -1.106 3.5 6.32 8.625 -0.0924 2.592 8.586 -5.125 -2.816 -0.981 -7.402 -1.569 -3.521 -5.89 0.1954 -3.088 -8.39 -7.53 -8.04 -3.55 0.6875 -7.797 -0.898 -0.806 1.412 0.04767 -7.867 7.44 -0.4033 5.625 -0.4336 -7.85 -6.535 1.921 -8.984 3.691 -0.612 -6.465 1.917 -2.377 9.086 6.625 -1.057 5.23 -4.594 3.834 -7.27 6.39 -8.81 ] 输入数据(sel_gm): [34801 47741 38465 50533 40608 34912 29182 41277 8651 53727 22558 7409 50749 47716 41029 56293] 输出数据(dst_gm): [ 7.047 5.2 5.2 5.2 0.724 -7.03 -7.41 3.191 -5.715 5.375 7.97 5.2 5.2 5.2 5.2 -2.234 -6.406 5.2 3.457 6.25 6.332 2.072 4.99 5.2 5.2 -5.195 5.2 3.496 3.469 1.08 5.2 7.95 -8.01 5.2 5.2 5.2 5.2 5.2 1.843 5.2 5.2 -9.08 4.043 5.2 9.92 5.2 5.2 2.338 -2.158 5.2 -2.76 5.2 5.2 -4.727 4.836 5.2 1.57 5.2 -9.89 5.2 5.2 5.2 -0.7236 -9.83 5.2 5.2 5.2 5.2 5.2 -4.58 5.2 -3.678 5.2 2.342 -6.2 -1.131 -0.581 5.2 5.2 -1.106 5.2 5.2 5.2 5.2 5.2 8.586 -5.125 5.2 5.2 5.2 5.2 -3.521 5.2 5.2 5.2 -8.39 5.2 -8.04 -3.55 0.6875 -7.797 -0.898 -0.806 1.412 0.04767 5.2 5.2 5.2 5.625 -0.4336 -7.85 5.2 1.921 5.2 3.691 -0.612 -6.465 1.917 5.2 5.2 6.625 5.2 5.2 5.2 5.2 -7.27 5.2 -8.81 ]
- mode = 2
# mode 2 from tbe import tik tik_instance = tik.Tik() src0_gm = tik_instance.Tensor("float16", (128,), name="src0_gm", scope=tik.scope_gm) src1_gm = tik_instance.Tensor("float16", (128,), name="src1_gm", scope=tik.scope_gm) sel_gm = tik_instance.Tensor("uint16", (16,), name="sel_gm", scope=tik.scope_gm) dst_gm = tik_instance.Tensor("float16", (128,), name="dst_gm", scope=tik.scope_gm) src0_ub = tik_instance.Tensor("float16", (128,), name="src0_ub", scope=tik.scope_ubuf) src1_ub = tik_instance.Tensor("float16", (128,), name="src1_ub", scope=tik.scope_ubuf) sel_ub = tik_instance.Tensor("uint16", (16,), name="sel_ub", scope=tik.scope_ubuf) dst_ub = tik_instance.Tensor("float16", (128,), name="dst_ub", scope=tik.scope_ubuf) # 拷贝用户输入数据到src ubuf tik_instance.data_move(src0_ub, src0_gm, 0, 1, 8, 0, 0) tik_instance.data_move(src1_ub, src1_gm, 0, 1, 8, 0, 0) tik_instance.data_move(sel_ub, sel_gm, 0, 1, 1, 0, 0) tik_instance.vec_sel(128, 2, dst_ub, sel_ub, src0_ub, src1_ub, 1, 8, 8, 8) # 将计算结果拷贝到目标gm tik_instance.data_move(dst_gm, dst_ub, 0, 1, 8, 0, 0) tik_instance.BuildCCE(kernel_name="vec_sel", inputs=[src0_gm, src1_gm, sel_gm], outputs=[dst_gm])结果示例：
输入数据(src0_gm): [-2.555 -7.137 9.93 5.52 -4.195 -9.07 -8.266 0.1783 -3.87 -5.79 -7.863 -6.137 -0.766 -6.12 8.05 5.273 -5.97 -6.73 -7.797 -6.492 -2.367 9.76 5.523 -7.477 3.629 -9.24 2.078 -7.43 3.941 8.9 0.981 -1.694 6.7 -8.734 -3.82 -2.44 -8.64 -3.736 -5.23 -6.348 -5.86 7.6 0.2576 -3.514 6.043 0.0805 -2.475 0.4766 -1.011 7.66 5.87 0.924 7.734 -2.246 3.477 6.703 5.438 -3.555 -1.588 0.3542 7.46 -3.89 -8.98 9.97 -6.195 2.178 -9.54 -9.2 -0.0888 0.625 9.16 -1.165 -8.87 3.057 -2.197 4.81 -3.875 -8.07 -1.478 -1.128 -1. 2.316 -1.426 1.563 -3.62 1.21 5.49 4.86 3.428 4.406 9.98 9.55 3.342 -3.312 -6.234 7.082 -7.13 -9.61 -6.676 4.758 -3.373 4.13 -8.5 -9.67 0.2986 -8.984 6.758 1.481 -9. -5.84 3.895 5.164 -2.203 -0.2065 4.645 0.812 5.28 -9.42 -2.527 0.0811 -8.484 2.807 -0.178 4.258 0.1595 8.28 9.53 2.85 ] 输入数据(src1_gm): [ 8.98 7.25 7.016 8.83 -1.67 2.062 4.71 -7.613 -4.023 6.9 0.5405 -4.277 -6.766 6.555 -9.445 -1.903 -9.445 -0.826 6.02 -2.701 5.883 5.695 3.201 2.83 9.99 7.68 -7.254 5.855 -6.188 9.89 -2.97 4.703 5.332 7.63 -6.938 -5.273 -4.19 7.76 -4.133 -4.582 1.795 8.945 7.902 9.31 1.126 -2.088 -5.78 -8.82 -6.203 8.01 -7.64 -7.703 -7.43 -7.414 -5.523 6.207 -5.785 5.38 4.82 7.605 9.016 -0.77 1.106 -1.48 8.625 2.41 -5.598 -4.02 2.88 -6.11 4.29 -6.32 -8.42 6.105 -1.016 0.834 0.8794 5.184 6.98 -3.557 -9.91 8.336 1.978 -3.084 -5.523 3.527 9.28 6.89 7.55 3.988 -4.633 0.02034 -2.785 -5.453 3.363 -5.215 -0.5625 5.703 -0.4485 1.616 5.883 5.637 4.914 2.947 5.715 2.455 -9.82 -0.541 7.15 7.21 0.768 1.718 -0.04523 -1.464 -3.38 4.926 4.258 -9.14 -3.22 -3.625 2.277 -2.277 3.557 -6.855 8.77 6.895 2.064 -9.57 ] 输入数据(sel_gm): [25595 40859 53116 59877 7219 22186 18639 30224 65041 61683 61785 4586 43795 50906 26534 38912] 输出数据(dst_gm): [-2.555 -7.137 7.016 5.52 -4.195 -9.07 -8.266 0.1783 -3.87 -5.79 0.5405 -4.277 -6.766 -6.12 8.05 -1.903 -5.97 -6.73 6.02 -6.492 -2.367 5.695 3.201 -7.477 3.629 -9.24 2.078 -7.43 3.941 9.89 -2.97 -1.694 5.332 7.63 -3.82 -2.44 -8.64 -3.736 -5.23 -4.582 -5.86 7.6 0.2576 -3.514 1.126 -2.088 -2.475 0.4766 -1.011 8.01 5.87 -7.703 -7.43 -2.246 3.477 6.703 5.438 5.38 4.82 0.3542 9.016 -3.89 -8.98 9.97 -6.195 2.178 -5.598 -4.02 -0.0888 0.625 4.29 -6.32 -8.42 6.105 -2.197 4.81 -3.875 5.184 6.98 -3.557 -9.91 2.316 1.978 1.563 -5.523 1.21 9.28 4.86 7.55 4.406 9.98 0.02034 3.342 -5.453 -6.234 -5.215 -7.13 -9.61 -6.676 4.758 5.883 5.637 -8.5 -9.67 5.715 2.455 -9.82 1.481 7.15 7.21 3.895 1.718 -0.04523 -1.464 -3.38 4.926 5.28 -9.14 -3.22 -3.625 2.277 2.807 -0.178 -6.855 0.1595 8.28 9.53 -9.57 ]
- 调用示例2
"""将两组各128个源操作数，经过指令vsel选取，并按照每放48个数再间隔48个数放置目的数据""" from tbe import tik tik_instance = tik.Tik() dtype_size = { "int8": 1, "uint8": 1, "int16": 2, "uint16": 2, "float16": 2, "int32": 4, "uint32": 4, "float32": 4, "int64": 8, } shape = (2, 64) dst_shape = (12, 16) dtype = "float16" elements = 2 * 64 dst_element = 12 * 16 # 单次迭代操作的数，当前示例一次迭代处理48个数 mask = 48 # 迭代间目的操作数前一次repeat头与后一次repeat头之间的距离,单位32B dst_rep_stride = 6 src0_rep_stride = 4 src1_rep_stride = 4 # 迭代次数，当前示例进行了2次迭代，可根据需要调整对应的迭代次数 repeat_times = 2 # 指令模式[0,2],当前示例设置为0 mode = 0 src0_gm = tik_instance.Tensor(dtype, shape, name="src0_gm", scope=tik.scope_gm) src1_gm = tik_instance.Tensor(dtype, shape, name="src1_gm", scope=tik.scope_gm) src0_ub = tik_instance.Tensor(dtype, shape, name="src0_ub", scope=tik.scope_ubuf) src1_ub = tik_instance.Tensor(dtype, shape, name="src1_ub", scope=tik.scope_ubuf) dst_gm = tik_instance.Tensor(dtype, dst_shape, name="dst_gm", scope=tik.scope_gm) dst_ub = tik_instance.Tensor(dtype, dst_shape, name="dst_ub", scope=tik.scope_ubuf) # 搬移的片段数 nburst = 1 # 每次搬运的片段长度,单位32B burst = elements * dtype_size[dtype] // 32 // nburst dst_burst = dst_element * dtype_size[dtype] // 32 // nburst # 前burst尾与后burst头的距离,单位32B dst_stride, src_stride = 0, 0 # 拷贝用户输入数据到src ubuf tik_instance.data_move(src0_ub, src0_gm, 0, nburst, burst, dst_stride, src_stride) tik_instance.data_move(src1_ub, src1_gm, 0, nburst, burst, dst_stride, src_stride) # 此次暂不对vec_cmpv_le和vec_dup详细说明，具体使用方法请参考vec_cmpv_le和vec_dup章节 is_le = tik_instance.Tensor("uint16", (16,), name="is_le", scope=tik.scope_ubuf) tik_instance.vec_cmpv_le(is_le, src0_ub, src1_ub, 1, 8, 8) tik_instance.vec_dup(64, dst_ub, 0, 3, 4) # mask 为48，每次迭代只操作48个数， 再根据is_le 前10个数为1，从src0中选取，其余数从src1中选取 tik_instance.vec_sel(mask, mode, dst_ub, is_le, src0_ub, src1_ub, repeat_times, dst_rep_stride, src0_rep_stride, src1_rep_stride) # 将计算结果拷贝到目标gm tik_instance.data_move(dst_gm, dst_ub, 0, nburst, dst_burst, dst_stride, src_stride) tik_instance.BuildCCE(kernel_name="vec_sel", inputs=[src0_gm, src1_gm], outputs=[dst_gm]) 示例结果 输入数据(src0_gm): [[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55. 56. 57. 58. 59. 60. 61. 62. 63.] [ 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77. 78. 79. 80. 81. 82. 83. 84. 85. 86. 87. 88. 89. 90. 91. 92. 93. 94. 95. 96. 97. 98. 99. 100. 101. 102. 103. 104. 105. 106. 107. 108. 109. 110. 111. 112. 113. 114. 115. 116. 117. 118. 119. 120. 121. 122. 123. 124. 125. 126. 127.]] 输入数据(src1_gm): [[10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10.] [10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10.]] 输出数据(dst_gm): [[ 0. 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 10. 10. 10. 10. 10.] [10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10.] [10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 10. 10. 10. 10. 10.] [10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10.] [10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10. 10.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.] [ 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]