vec_muls

功能说明

矢量内每个element与标量求积：

函数原型

vec_muls(mask, dst, src, scalar, repeat_times, dst_rep_stride, src_rep_stride, mask_mode="normal")

参数说明

请参见参数说明。

dst/src类型需要保持一致 。scalar为Scalar时，要求和dst/src数据类型保持一致。

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

Atlas 训练系列产品，dst/src/scalar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/scalar支持的数据类型为：Tensor（float16/int16/float32/int32/）。

Atlas推理系列产品（Ascend 310P处理器）Vector Core，dst/src/scalar支持的数据类型为：Tensor（float16/int16/float32/int32/）。

Atlas A2训练系列产品/Atlas 800I A2推理产品，dst/src/scalar支持的数据类型为：Tensor（float16/int16/float32/int32/）。

Atlas 200/500 A2推理产品，dst/src/scalar支持的数据类型为：Tensor（float16/int16/float32/int32）。

AS31XM1X AI处理器，dst/src/scalar支持的数据类型为：Tensor（float16/int16/float32/int32）。

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

请参见注意事项。

调用示例

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
tik_instance = tik.Tik()
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)
# 将用户输入数据从gm搬运到ub
tik_instance.data_move(src_ub, src_gm, 0, 1, 8, 0, 0)
tik_instance.vec_muls(128, dst_ub, src_ub, 2.0, 1, 8, 8)
# 将计算结果从ub搬运到gm
tik_instance.data_move(dst_gm, dst_ub, 0, 1, 8, 0, 0)

tik_instance.BuildCCE(kernel_name="vec_muls", inputs=[src_gm], outputs=[dst_gm])

结果示例：

输入数据(src_gm):
[-9.07     8.33     6.125    4.523   -7.94    -1.386    3.107   -8.14
 -6.977   -0.176   -6.242    8.41    -3.512   -3.066    2.367   -9.516
  9.73     5.016   -1.171   -6.715   -1.323   -2.008   -9.4     -0.93
  9.67    -8.484   -6.71     4.926    9.805   -8.67     0.5967   6.6
  2.912    7.906   -7.227    5.91    -0.8555   6.38     5.06    -2.615
  5.074    4.586   -6.734   -5.535    1.108   -0.798    6.57     3.98
  2.523   -9.305    5.414   -3.299   -0.893    5.188    1.198   -3.443
  8.4     -9.016   -5.523   -6.164   -8.04    -6.48     1.253    8.92
  6.863    1.884    6.17    -0.979    6.434    3.414    3.783    1.468
 -9.26     1.493   -7.938   -4.26    -3.668    1.008   -4.047    6.676
  6.57     5.62     4.535    4.504   -4.477   -1.615    4.688    3.627
 -6.516   -2.305    7.312   -0.486    5.684   -6.76     9.81     5.26
  4.785    0.851   -7.76     9.31    -7.668    7.125    3.59    -2.402
 -8.9      8.914   -6.066   -0.0893   5.195    6.05     0.229   -5.24
  4.645   -5.707   -9.336   -2.23     0.966    5.543    2.812   -2.299
  9.47    -8.6      4.97    -9.95     9.8      7.902    0.08844 -7.88   ]

输出数据(dst_gm):
[-18.14    16.66    12.25     9.05   -15.88    -2.771    6.215  -16.28
 -13.95    -0.352  -12.484   16.81    -7.023   -6.133    4.734  -19.03
  19.45    10.03    -2.342  -13.43    -2.646   -4.016  -18.8     -1.86
  19.34   -16.97   -13.42     9.85    19.61   -17.34     1.193   13.2
   5.824   15.81   -14.45    11.82    -1.711   12.76    10.12    -5.23
  10.15     9.17   -13.47   -11.07     2.217   -1.596   13.14     7.96
   5.047  -18.61    10.83    -6.598   -1.786   10.375    2.396   -6.887
  16.8    -18.03   -11.05   -12.33   -16.08   -12.96     2.506   17.84
  13.73     3.768   12.34    -1.958   12.87     6.83     7.566    2.936
 -18.52     2.986  -15.875   -8.52    -7.336    2.016   -8.09    13.35
  13.14    11.24     9.07     9.01    -8.95    -3.23     9.375    7.254
 -13.03    -4.61    14.625   -0.972   11.37   -13.52    19.62    10.52
   9.57     1.702  -15.52    18.62   -15.336   14.25     7.18    -4.805
 -17.8     17.83   -12.13    -0.1786  10.39    12.1      0.458  -10.48
   9.29   -11.414  -18.67    -4.46     1.932   11.086    5.625   -4.598
  18.94   -17.2      9.94   -19.9     19.6     15.805    0.1769 -15.76  ]