算子设计（msKPP）

msKPP工具用于算子开发之前，帮助开发者在秒级时间内获取算子性能建模结果，可快速验证算子的实现方案。

1. 参考环境准备，完成msKPP工具相关配置。
2. 获取对算子建模的Python脚本（以add算子为例）。

   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

   from mskpp import vadd, Tensor, Chip def my_vadd(gm_x, gm_y, gm_z): # 向量Add的基本数据通路: #被加数x: GM-UB #加数y: GM-UB #结果向量z: UB-GM #定义和分配UB上的变量 x = Tensor("UB") y = Tensor("UB") z = Tensor("UB") # 将GM上的数据移动到UB对应内存空间上 x.load(gm_x) y.load(gm_y) # 当前数据已加载到UB上,调用指令进行计算,结果保存在UB上 out = vadd(x, y, z)() # 将UB上的数据移动到GM变量gm_z的地址空间上 gm_z.load(out[0]) if __name__== '__main__': with Chip("Ascendxxxyy") as chip: # xxxyy为用户实际使用的具体芯片类型 chip.enable_trace() chip.enable_metrics() # 应用算子进行AI Core计算 in_x = Tensor("GM", "FP16", [32, 48], format="ND") in_y = Tensor("GM", "FP16", [32, 48], format="ND") in_z = Tensor("GM", "FP16", [32, 48], format="ND") my_vadd(in_x, in_y, in_z)

3. 通过python3 xxx.py命令执行步骤2的Python.py脚本，将会在当前目录生成以下结果目录。目录中文件展现的具体内容请参见算子计算搬运规格分析、极限性能分析和算子tiling初步设计。

   1 2 3 4 5

   MSKPP{timestamp}/ ├── instruction_cycle_consumption.html ├── Instruction_statistic.csv ├── Pipe_statistic.csv └── trace.json

   表1 建模结果文件

   文件名称	功能
   搬运流水统计（Pipe_statistic.csv）	以PIPE维度统计搬运数据量大小、操作数个数以及耗时信息。
   指令信息统计（Instruction_statistic.csv）	统计不同指令维度的总搬运数据量大小、操作数个数以及耗时信息，能够发现指令层面上的瓶颈。
   指令占比饼图（instruction_cycle_consumption.html）	以指令维度统计耗时信息，并以饼图形式展示。
   指令流水图（trace.json）	以指令维度展示耗时信息，并进行可视化展示。