vec_rec

功能说明

按element取倒数：。

函数原型

vec_rec(mask, dst, src, repeat_times, dst_rep_stride, src_rep_stride)

参数说明

请参见参数说明。

dst与src的数据类型需要保持一致。

Atlas 200/300/500 推理产品，dst/src支持的数据类型为：Tensor（float16/float32）

Atlas 训练系列产品，dst/src支持的数据类型为：Tensor（float16/float32）

Atlas推理系列产品（Ascend 310P处理器）AI Core，dst/src支持的数据类型为：Tensor（float16/float32）

Atlas推理系列产品（Ascend 310P处理器）Vector Core，dst/src支持的数据类型为：Tensor（float16/float32）

Atlas A2训练系列产品/Atlas 800I A2推理产品，dst与src支持的数据类型为：Tensor(float16/float32)

Atlas 200/500 A2推理产品，dst与src支持的数据类型为：Tensor(float16/float32)

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（Ascend 310P处理器）AI Core

Atlas推理系列产品（Ascend 310P处理器）Vector Core

Atlas A2训练系列产品/Atlas 800I A2推理产品

Atlas 200/500 A2推理产品

注意事项

• 如果src的数值为0，可能会产生未知结果。
• 对于Atlas 200/300/500 推理产品，使用该接口处理float16类型的数据时，计算精度不满足双千分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口；使用该接口处理float32类型的数据时，计算精度不满足双万分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口。
• 对于Atlas 训练系列产品，使用该接口处理float16类型的数据时，计算精度不满足双千分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口；使用该接口处理float32类型的数据时，计算精度不满足双万分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口。
• 对于Atlas推理系列产品（Ascend 310P处理器）AI Core，使用该接口处理float16类型的数据时，计算精度不满足双千分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口；使用该接口处理float32类型的数据时，计算精度不满足双万分之一。
• 对于Atlas推理系列产品（Ascend 310P处理器）Vector Core，使用该接口处理float16类型的数据时，计算精度不满足双千分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口；使用该接口处理float32类型的数据时，计算精度不满足双万分之一。
• Atlas A2训练系列产品/Atlas 800I A2推理产品, 使用该接口处理float16类型的数据时，计算精度不满足双千分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口；使用该接口处理float32类型的数据时，计算精度不满足双万分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口。
• Atlas 200/500 A2推理产品，使用该接口处理float16类型的数据时，计算精度不满足双千分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口；使用该接口处理float32类型的数据时，计算精度不满足双万分之一，如果对精度有更高要求，建议使用vec_rec_high_preci接口。
• 其他注意事项请参考注意事项。

调用示例1

此样例是针对数据量较小、一次搬运就可以完成的场景，目的是让大家了解接口的功能，更复杂的数据量较大的样例可参见调用示例。

from tbe import tik
# 定义容器
tik_instance = tik.Tik()
# 定义计算tensor
src_gm = tik_instance.Tensor("float32", (128,), name="src_gm", scope=tik.scope_gm)
dst_gm = tik_instance.Tensor("float32", (128,), name="dst_gm", scope=tik.scope_gm)
src_ub = tik_instance.Tensor("float32", (128,), name="src_ub", scope=tik.scope_ubuf)
dst_ub = tik_instance.Tensor("float32", (128,), name="dst_ub", scope=tik.scope_ubuf)
# 数据从gm搬运到ub
tik_instance.data_move(src_ub, src_gm, 0, 1, 128*4 // 32, 0, 0)
tik_instance.vec_rec(64, dst_ub, src_ub, 2, 8, 8)
# 数据从ub搬运到gm
tik_instance.data_move(dst_gm, dst_ub, 0, 1, 128*4 // 32, 0, 0)
tik_instance.BuildCCE(kernel_name="vec_rec", inputs=[src_gm], outputs=[dst_gm])

结果示例：

输入：
[1.2017815 -8.758528 -3.9551935 ... -1.3599057 -2.319316]
输出：
[0.83203125 -0.11401367 -0.2529297 ... -0.734375 -0.43164062]

调用示例2

此样例是针对数据量较小、一次搬运就可以完成的场景，目的是让大家了解接口的功能，更复杂的数据量较大的样例可参见调用示例。

from tbe import tik
# 定义容器
tik_instance = tik.Tik()
# 定义计算tensor
src_gm = tik_instance.Tensor("float16", (128,), name="src_gm", scope=tik.scope_gm)
dst_gm = tik_instance.Tensor("float16", (128,), name="dst_gm", scope=tik.scope_gm)
src_ub = tik_instance.Tensor("float16", (128,), name="src_ub", scope=tik.scope_ubuf)
dst_ub = tik_instance.Tensor("float16", (128,), name="dst_ub", scope=tik.scope_ubuf)
# 数据从gm搬运到ub
tik_instance.data_move(src_ub, src_gm, 0, 1, 128*2 // 32, 0, 0)
tik_instance.vec_rec(128, dst_ub, src_ub, 1, 8, 8)
# 数据从ub搬运到gm
tik_instance.data_move(dst_gm, dst_ub, 0, 1, 128*2 // 32, 0, 0)
tik_instance.BuildCCE(kernel_name="vec_rec", inputs=[src_gm], outputs=[dst_gm])

结果示例：

输入：
[-7.152 -7.24 1.771 ... -1.339 4.473]
输出：
[-0.1396 -0.1382 0.5645 ... -0.748 0.2231]