Power

功能说明

实现按元素做幂运算功能，提供3类接口，处理逻辑分别为：

定义原型

由于该接口的内部实现中涉及复杂的数学计算，需要额外的临时空间来存储计算过程中的中间变量。临时空间支持接口框架申请和开发者通过tmpTensor入参传入两种方式。

接口支持开启基本块功能，基本块计算是一种分块计算的方式。当输入的数据量较大，当前环境可提供的临时空间不充足时，可以开启基本块功能，分块进行计算。请根据如下公式判断是否需要开启基本块：

开发者当前环境可提供的临时空间大于n * InputSize * sizeof（datatype）时，可以不使用基本块，否则建议使用基本块。InputSize为输入元素个数，datatype为输入的数据类型。不同接口，不同数据类型对应n值如表1所示。

表1 不同接口，不同数据类型对应n值

数据类型

Power(dstTensor, srcTensor1, srcTensor2)

Power(dstTensor, srcTensor1, scalarValue)

Power(dstTensor, scalarValue, srcTensor2)

half类型

n = 12

n = 14

n = 14

float类型

n = 3

n = 4

n = 4

int32_t类型

n = 3

n = 4

n = 4

接口框架申请的方式，开发者需要预留临时空间；通过tmpTensor传入的情况，开发者需要为tensor申请空间。临时空间大小BufferSize的获取方式如下：

参数说明

表2 接口参数说明

参数名

输入/输出

描述

dstTensor

输出

目的操作数。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。

Atlas A2训练系列产品，支持的数据类型为：half/float/int32_t

srcTensor1

输入

源操作数。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。

源操作数的数据类型需要与目的操作数保持一致。

Atlas A2训练系列产品，支持的数据类型为：half/float/int32_t

srcTensor2

输入

源操作数。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。

源操作数的数据类型需要与目的操作数保持一致。

Atlas A2训练系列产品，支持的数据类型为：half/float/int32_t

scalarValue

输入

源操作数，类型为Scalar。源操作数的数据类型需要与目的操作数保持一致。

Atlas A2训练系列产品，支持的数据类型为：half/float/int32_t

tmpTensor

输入

临时内存空间。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。

数据类型需要与目的操作数保持一致。

Atlas A2训练系列产品，支持的数据类型为：half/float/int32_t

针对3个power接口，不同输入数据类型情况下，临时空间大小BufferSize的获取方式请参考定义原型。

isReuseSource

输入

是否允许修改源操作数。该参数预留，传入默认值false即可。

isBasicBlock

输入

是否使用基本块进行计算。

True: 若输入源数据数量大于基本块大小(1024)，则会对输入数据进行分块，以块为单位进行处理。

False: 根据输入源数据量，分配相应的额外临时空间进行处理。

返回值

无

支持的型号

Atlas A2训练系列产品

约束说明

调用示例

本样例中只展示Compute流程中的部分代码。如果您需要运行样例代码，请将该代码段拷贝并替换样例模板中Compute函数的部分代码即可。

样例模板

#include "kernel_operator.h"
namespace AscendC {
template <typename srcType>
class KernelPower {
public:
    __aicore__ inline KernelPower()
    {}
    __aicore__ inline void Init(GM_ADDR src1_gm, GM_ADDR src2_gm, GM_ADDR dst_gm, uint32_t srcSize)
    {
        src1_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(src1_gm), srcSize);
        src2_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(src2_gm), srcSize);
        dst_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(dst_gm), srcSize);
        pipe.InitBuffer(inQueueX1, 1, srcSize * sizeof(srcType));
        pipe.InitBuffer(inQueueX2, 1, srcSize * sizeof(srcType));
        pipe.InitBuffer(outQueue, 1, srcSize * sizeof(srcType));
        bufferSize = srcSize;
    }
    __aicore__ inline void Process()
    {
        CopyIn();
        Compute();
        CopyOut();
    }
private:
    __aicore__ inline void CopyIn()
    {
        LocalTensor<srcType> srcLocal1 = inQueueX1.AllocTensor<srcType>();
        DataCopy(srcLocal1, src1_global, bufferSize);
        inQueueX1.EnQue(srcLocal1);
        LocalTensor<srcType> srcLocal2 = inQueueX2.AllocTensor<srcType>();
        DataCopy(srcLocal2, src2_global, bufferSize);
        inQueueX2.EnQue(srcLocal2);
    }
    __aicore__ inline void Compute()
    {
        LocalTensor<srcType> dstLocal = outQueue.AllocTensor<srcType>();
        LocalTensor<srcType> srcLocal1 = inQueueX1.DeQue<srcType>();
        LocalTensor<srcType> srcLocal2 = inQueueX2.DeQue<srcType>();
        LocalTensor<srcType> tmpLocal;
        srcType scalarValue1 = srcLocal1.GetValue(0);
        // srcType scalarValue2 = srcLocal2.GetValue(0);
        Power<srcType, false, true>(dstLocal, scalarValue1, srcLocal2);
        // Power<srcType, false, true>(dstLocal, srcLocal1, scalarValue2); 
        // Power<srcType, false, true>(dstLocal, srcLocal1, srcLocal2); 
        outQueue.EnQue<srcType>(dstLocal);
        inQueueX1.FreeTensor(srcLocal1);
        inQueueX2.FreeTensor(srcLocal2);
    }
    __aicore__ inline void CopyOut()
    {
        LocalTensor<srcType> dstLocal = outQueue.DeQue<srcType>();
        DataCopy(dst_global, dstLocal, bufferSize);
        outQueue.FreeTensor(dstLocal);
    }
private:
    GlobalTensor<srcType> src1_global;
    GlobalTensor<srcType> src2_global;
    GlobalTensor<srcType> dst_global;
    TPipe pipe;
    TQue<QuePosition::VECIN, 1> inQueueX1;
    TQue<QuePosition::VECIN, 1> inQueueX2;
    TQue<QuePosition::VECOUT, 1> outQueue;
    uint32_t bufferSize = 0;
};
template <typename dataType>
__aicore__ void kernel_power_operator(GM_ADDR src1_gm, GM_ADDR src2_gm, GM_ADDR dst_gm, uint32_t srcSize)
{
    KernelPower<dataType> op;
    op.Init(src1_gm, src2_gm, dst_gm, srcSize);
    op.Process();
}
} // namespace AscendC
                                                                    
extern "C" __global__ __aicore__ void kernel_power_operator(GM_ADDR src1_gm, GM_ADDR src2_gm, GM_ADDR dst_gm, uint32_t srcSize) 
{                                                                                                                 
    AscendC::kernel_power_operator<half>(src1_gm, src2_gm, dst_gm, srcSize); //传入类型和大小                                                        }
父主题： 数学库