--- title: vec_rec_high_preci description: "按element取倒数：。该接口的精度高于vec_rec。" url: https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/latest/others/tbeaicpudevg/atlastikapi_07_0060.html sourcePath: /source/zh/CANNCommunityEdition/920beta1/others/tbeaicpudevg/atlastikapi_07_0060.html indexId: 64dbf6883587d377d590fe95883a0d78ed84919a0234b8cf881f33753c99270a85 --- # vec_rec_high_preci #### 功能说明 按element取倒数：。该接口的精度高于vec_rec。 #### 函数原型 vec_rec_high_preci(mask, dst, src, work_tensor, repeat_times, dst_rep_stride, src_rep_stride) #### 参数说明 请参见参数说明。下面仅对dst/src/work_tensor参数进行说明： dst与src的数据类型需要保持一致，支持的数据类型为：Tensor（float16/float32）；work_tensor支持的数据类型为Tensor(float32)。 - 如果传入tensor带有偏移，则作为参数传入时应写成tensor[offset1:offset2]，表示从offset1开始到offset2结束，也可以写成tensor[offset1:]，表示从offset1开始；如果仅仅输入tensor[offset]，代表仅传入一个元素，该接口内部实现过程中会对tensor进行切片，无法切分一个元素，运行时可能会产生错误，因此不支持该形式； - 如果传入操作数tensor不带偏移，可以直接写成tensor传入。 【work_tensor参数说明】： work_tensor为用户定义的临时buffer空间，存储中间结果，空间限定在scope_ubuf，用于内部计算使用。 【work_tensor空间计算说明】： 1. 根据repeat_times、mask、src_rep_stride计算出src计算所需要的最小空间：src_extent_size = (repeat_times - 1)*src_rep_stride*block_len + mask_len 当源操作数数据类型为float16时，block_len=16； 当源操作数数据类型为float32时，block_len=8； 当mask是连续模式时，mask_len 即mask值； 当mask为逐bits模式时，mask_len为最高有效位的位数值。 2. 对src最小空间进行32Byte向上取整对齐： wk_size_unit = ((src_extent_size+block_len-1)//block_len)*block_len 3. 计算work_tensor大小： 当源操作数数据类型为float16时，则work_tensor需要申请的大小为4*wk_size_unit 当源操作数数据类型为float32时，则work_tensor需要申请的大小为2*wk_size_unit 【work_tensor空间计算举例】： 1. 如果src的dtype为float16，mask为128，repeat_times为2，src_rep_stride为8，则block_len=16，mask_len=128，src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐，wk_size_unit=((256+16-1)//16)*16=256；则work_tensor申请的空间大小为4*256=1024。 2. 如果src的dtype为float32，mask为64，repeat_times为2，src_rep_stride为8，则block_len=8，mask_len=64，src_extent_size=(2-1)*8*8+64=128；对src_extent_size进行32Byte对齐，wk_size_unit=((128+8-1)//8)*8=128；则work_tensor申请的空间大小为2*128=256。 #### 注意事项 - dst、src、work_tensor应声明在scope_ubuf。 - dst、src、work_tensor三个tensor的空间不能重叠。 - 当输入数据为0时，返回结果未知。 - 对于Atlas 训练系列产品，使用该接口处理float16和float32类型的数据时，计算精度均高于 vec_rec ，解决了 vec_rec 精度不足问题。 - 对于Atlas 推理系列产品 AI Core，使用该接口处理float16类型的数据时，计算精度均高于 vec_rec ，解决了 vec_rec 精度不足问题；使用该接口处理float32类型的数据时，使用效果和 vec_rec 一样。 - 对于Atlas 推理系列产品 Vector Core，使用该接口处理float16类型的数据时，计算精度均高于 vec_rec ，解决了 vec_rec 精度不足问题；使用该接口处理float32类型的数据时，使用效果和 vec_rec 一样。 - Atlas A2 训练系列产品 / Atlas A2 推理系列产品，使用该接口处理float16和float32类型的数据时，计算精度均高于 vec_rec ，解决了 vec_rec 精度不足问题。 - Atlas A3 训练系列产品 / Atlas A3 推理系列产品，使用该接口处理float16和float32类型的数据时，计算精度均高于 vec_rec ，解决了 vec_rec 精度不足问题。 - Atlas 200I/500 A2 推理产品，使用该接口处理float16和float32类型的数据时，计算精度均高于 vec_rec ，解决了 vec_rec 精度不足问题。 - 其它注意事项请参考 注意事项 。 #### 返回值 无 #### 支持的型号 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 / Atlas A2 推理系列产品 Atlas A3 训练系列产品 / Atlas A3 推理系列产品 Atlas 200I/500 A2 推理产品 #### 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) # 计算work_tensor大小 mask = [0, 2**64 - 1] mask_len = 64 repeat_times = 2 dst_rep_stride = 8 src_rep_stride = 8 block_len = 8 # src dtype is float32 src_extent_size = (repeat_times - 1)*src_rep_stride*block_len + mask_len wk_size_unit = ((src_extent_size + block_len - 1)//block_len) *block_len wk_size = 2*wk_size_unit # 定义work_tensor work_tensor_ub = tik_instance.Tensor("float32", (wk_size,), name="work_tensor_ub", scope=tik.scope_ubuf) # 如果work_tensor有索引，需要写成work_tensor[index:] tik_instance.vec_rec_high_preci(mask_len, dst_ub, src_ub, work_tensor_ub[0:], repeat_times, dst_rep_stride, src_rep_stride) # 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="test_vec_rec_high_preci", inputs=[src_gm], outputs=[dst_gm]) ``` 结果示例： ``` 输入： [-6.9427586 -3.5300326 1.176882 ... -6.196793 9.0379095] 输出： [-0.14403497 -0.2832835 0.8497028 ... -0.16137381 0.11064506] ``` #### 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) # 计算work_tensor大小 mask = 128 mask_len = mask repeat_times = 1 dst_rep_stride = 8 src_rep_stride = 8 block_len = 16 # src dtype is float16 src_extent_size = (repeat_times - 1)*src_rep_stride*block_len + mask_len wk_size_unit = ((src_extent_size + block_len - 1) // block_len)*block_len wk_size = 4*wk_size_unit # 定义work_tensor work_tensor_ub = tik_instance.Tensor("float32", (wk_size,), name="work_tensor_ub", scope=tik.scope_ubuf) # 如果work_tensor有索引，需要写成work_tensor[index:] tik_instance.vec_rec_high_preci(mask_len, dst_ub, src_ub, work_tensor_ub[0:], repeat_times, dst_rep_stride, src_rep_stride) # 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="test_vec_rec_high_preci", inputs=[src_gm], outputs=[dst_gm]) ``` 结果示例： ``` 输入： [-7.08 -4.434 1.294 ... 8.82 -2.854] 输出： [-0.1412 -0.2256 0.773 ... 0.1134 -0.3503] ```