--- title: 耦合模式 description: "本节内容为针对耦合模式，使用基础API进行矩阵乘法的编程指导。" url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/programug/Ascendcopdevg/atlas_ascendc_10_00006.html sourcePath: /source/zh/canncommercial/900/programug/Ascendcopdevg/atlas_ascendc_10_00006.html indexId: 187b75c5f74d0c9c1a904ada8f389ce68c0717b4121c66cc84030d9b47e094a381 --- # 耦合模式 本节内容为针对耦合模式，使用基础API进行矩阵乘法的编程指导。 如下章节内容暂不支持Atlas 350 加速卡。 #### 编程范式 Cube编程范式把算子的实现流程分为5个基本任务：CopyIn，Split，Compute，Aggregate，CopyOut。CopyIn负责搬入操作，Split负责数据切分操作，Compute负责矩阵指令计算操作，Aggregate负责数据汇聚操作，CopyOut负责搬出操作。 图1 矩阵编程基本任务设计 具体任务之间的交互流程和流程图如下。 1. Stage1：CopyIn任务。 a. 使用 DataCopy(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0101.html) 接口将GlobalTensor数据拷贝到LocalTensor。 b. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将LocalTensor放入A1/B1的Queue中。 2. Stage2：Split任务。 a. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从A1/B1中取出LocalTensor。 b. 使用 LoadData(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0238.html) 接口将LocalTensor从A1/B1中搬运到A2/B2。 c. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将计算结果LocalTensor放入到A2/B2的Queue中。 3. Stage3：Compute任务。 a. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从A2/B2中取出LocalTensor。 b. 使用 Mmad(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0249.html) 接口完成矩阵计算。 c. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将计算结果LocalTensor放入到CO1的Queue中。 4. Stage4：Aggregate任务。 a. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从CO1中取出LocalTensor。 b. 使用Ascend C接口拷贝结果矩阵到CO2。 c. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将计算结果LocalTensor放入到CO2的Queue中。 5. Stage5：CopyOut任务。 a. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 接口从CO2的Queue中取出LocalTensor。 b. 使用 DataCopy(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0101.html) 接口将LocalTensor拷贝到GlobalTensor上。 图2 矩阵编程Queue队列 #### 开发流程 基于Ascend C方式实现矩阵算子的流程如下图所示。 图3 矩阵算子实现流程 - 算子分析：分析算子的数学表达式、输入、输出以及计算逻辑的实现，明确需要调用的Ascend C接口。 - 核函数定义：定义Ascend C算子入口函数。 - 根据矩阵编程范式实现算子类：完成核函数的内部实现，调用私有成员函数CopyIn、SplitA、SplitB、Compute、Aggregate、CopyOut完成矩阵算子的五级流水操作。 下文将以Matmul算子为例对上述步骤进行详细介绍，Matmul算子的代码框架如下，完整代码请参见Mmad样例(https://gitee.com/ascend/samples/tree/master/operator/ascendc/0_introduction/20_mmad_kernellaunch/MmadInvocation)。 ``` #include "kernel_operator.h" // 根据编程范式实现算子类 class KernelMatmul { public: __aicore__ inline void Init(GM_ADDR a, GM_ADDR b, GM_ADDR c) { // ... } __aicore__ inline void Process() { CopyIn(); SplitA(); AscendC::LocalTensor b1Local = inQueueB1.DeQue(); AscendC::LocalTensor a2Local = inQueueA2.DeQue(); AscendC::LocalTensor c2Local = outQueueCO2.AllocTensor(); // split matrix b into 2 parts, [32, 16] and [32, 16] for (int i = 0; i < 2; ++i) { SplitB(b1Local, i); Compute(a2Local); Aggregate(c2Local, i); } inQueueB1.FreeTensor(b1Local); inQueueA2.FreeTensor(a2Local); outQueueCO2.EnQue(c2Local); CopyOut(); } private: __aicore__ inline void CopyIn() { // ... } __aicore__ inline void SplitA() { // ... } __aicore__ inline void SplitB(const LocalTensor& b1Local, const int bSplitIdx) { // ... } __aicore__ inline void Compute(const LocalTensor& a2Local) { // ... } __aicore__ inline void Aggregate(const LocalTensor& c2Local, const int bSplitIdx) { // ... } __aicore__ inline void CopyOut() { // ... } private: // ... }; //核函数定义 extern "C" __global__ __aicore__ void matmul_custom(GM_ADDR a, GM_ADDR b, GM_ADDR c) { KernelMatmul op; op.Init(a, b, c); op.Process(); } ``` #### 算子分析 在开发算子代码之前需要分析算子的数学表达式、输入、输出以及计算逻辑的实现，明确需要调用的Ascend C接口。 1. 明确算子的数学表达式及计算逻辑。 Matmul算子完成矩阵乘操作，其数学表达式如下，形状为[m, k]的矩阵a和形状为[k, n]的矩阵b相乘，得到形状为[m, n]的矩阵c。为了方便，令m=k=n=32。 ``` c = a * b ``` 注意需要处理的数据过大时，需要对数据进行切分并分块搬运到A2、B2，分别计算后再进行汇聚。下文的计算逻辑为了展示Split和Aggregate阶段的样例，请您根据实际需要处理的数据大小决定是否需要切分和汇聚。 计算逻辑如下： a. 分别搬运输入数据矩阵a、b至Local Memory A1、B1。 b. 将a矩阵从A1搬运至A2。为实现部分并行，将b矩阵切分为part1和part2，形状均为[k, n / 2]，切分后再分块搬运至B2。 c. a矩阵和b矩阵part1、part2分别做矩阵乘运算，获得矩阵c的part1和part2，形状均为[m, n / 2]。计算结果在CO1存储。 d. 将矩阵c的part1和part2分别拷贝到CO2进行合并。 e. 将合并后的输出数据从CO2搬出。 2. 明确输入和输出。 - Matmul算子有两个输入：a与b，输出为c。 - 本样例中算子输入支持的数据类型为half（float16），算子输出的数据类型为float32。 - 矩阵a、b、c的形状均为[32, 32]。 - 算子输入输出支持的数据格式为：ND。 3. 确定核函数名称和参数。 - 您可以自定义核函数名称，本样例中核函数命名为matmul_custom。 - 根据对算子输入输出的分析，确定核函数有3个参数a，b，c；a，b为输入在Global Memory上的内存地址，c为输出在Global Memory上的内存地址。 4. 约束分析。 由于硬件架构对矩阵乘计算的输入输出有格式约束，需要在算子实现中增加格式转换的流程。 - 搬运矩阵a、b至A1、B1时，将ND格式的矩阵a、b转换为NZ格式。 - 从A1搬运矩阵a至A2时，将NZ格式的a矩阵转换为ZZ格式；从B1搬运矩阵b到B2时将NZ格式的b矩阵转换为ZN格式。 - 将计算结果从CO2搬出时，将NZ格式的c矩阵转换为ND格式。 - 数据排布格式的相关介绍详见 数据排布格式 。 5. 确定算子实现所需接口。 - 实现外部存储和内部存储间的数据搬运，查看Ascend CAPI参考中的数据搬移接口，具体参考 DataCopy(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0101.html) 。 - 实现矩阵数据格式转换，查看Ascend CAPI参考中的数据转换接口，具体参考 LoadData(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0238.html) 。 - 矩阵计算过程涉及矩阵乘法，查看Ascend CAPI参考中的矩阵计算接口，具体参考 Mmad(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0249.html) 。 - 计算中使用到的Tensor数据结构，使用Queue队列进行管理，会使用到 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 、 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 等接口。 通过以上分析，得到Ascend C Matmul算子的计算流程图和设计规格如下： 图4 Matmul算子的计算流程图 **表1 Ascend C Matmul算子设计规格** | 算子类型（OpType） | Matmul | Matmul | Matmul | Matmul | | --- | --- | --- | --- | --- | | 算子输入 | name | shape | data type | format | | 算子输入 | a | (m, k) = (32, 32) | half | ND | | 算子输入 | b | (k, n) = (32, 32) | half | ND | | 算子输出 | c | (m, n) = (32, 32) | float32 | ND | | 核函数名称 | matmul\_custom | matmul\_custom | matmul\_custom | matmul\_custom | | 使用的主要接口 | DataCopy：数据搬移接口 | DataCopy：数据搬移接口 | DataCopy：数据搬移接口 | DataCopy：数据搬移接口 | | 使用的主要接口 | LoadData：矩阵数据格式转换接口 | LoadData：矩阵数据格式转换接口 | LoadData：矩阵数据格式转换接口 | LoadData：矩阵数据格式转换接口 | | 使用的主要接口 | Mmad：矩阵乘计算接口 | Mmad：矩阵乘计算接口 | Mmad：矩阵乘计算接口 | Mmad：矩阵乘计算接口 | | 使用的主要接口 | EnQue、DeQue等接口：Queue队列管理接口 | EnQue、DeQue等接口：Queue队列管理接口 | EnQue、DeQue等接口：Queue队列管理接口 | EnQue、DeQue等接口：Queue队列管理接口 | | 算子实现文件名称 | matmul\_custom.cpp | matmul\_custom.cpp | matmul\_custom.cpp | matmul\_custom.cpp | #### 核函数定义 根据核函数中介绍的规则进行核函数的定义。 1. 函数原型定义。 本样例中，函数名为matmul_custom（核函数名称可自定义）；根据算子分析中对算子输入输出的分析，确定有3个参数a，b，c，其中a，b都为输入内存，c为输出内存。根据核函数中核函数的规则介绍，函数原型定义如下所示：使用__global__函数类型限定符来标识它是一个核函数，可以被<<<>>>调用；使用__aicore__函数类型限定符来标识该核函数在设备端aicore上执行；为方便起见，统一使用GM_ADDR宏修饰入参，GM_ADDR宏定义请参考核函数。 1 2 3 extern "C" __global__ __aicore__ void matmul_custom(GM_ADDR a, GM_ADDR b, GM_ADDR c) { } 2. 调用算子类的Init和Process函数。 算子类的Init函数，完成内存初始化相关工作，Process函数完成算子实现的核心逻辑，具体介绍参见算子类实现。 1 2 3 4 5 6 extern "C" __global__ __aicore__ void matmul_custom(GM_ADDR a, GM_ADDR b, GM_ADDR c) { KernelMatmul op; op.Init(a, b, c); op.Process(); } 3. 对核函数进行封装，得到matmul_custom_do函数，便于主程序调用。#ifndef ASCENDC_CPU_DEBUG表示该封装函数仅在编译运行NPU侧的算子时会用到，编译运行CPU侧的算子时，可以直接调用matmul_custom函数。根据核函数定义和调用章节，调用核函数时，除了需要传入参数a，b，c，还需要传入numBlocks（核函数执行的核数），l2ctrl（保留参数，设置为nullptr），stream（应用程序中维护异步操作执行顺序的stream）来规定核函数的执行配置。 1 2 3 4 5 6 7 #ifndef ASCENDC_CPU_DEBUG // call of kernel function void matmul_custom_do(uint32_t numBlocks, void* l2ctrl, void* stream, uint8_t* a, uint8_t* b, uint8_t* c) { matmul_custom<<>>(a, b, c); } #endif #### 算子类实现 根据上一章节介绍，核函数中会调用算子类的Init和Process函数，本章具体讲解基于编程范式实现算子类。矩阵编程范式请参考编程范式。 算子类中主要包含对外开放的初始化Init函数和核心处理函数Process以及一些实现中会用到的私有成员。KernelMatmul算子类的定义如下：``` class KernelMatmul { public: __aicore__ inline KernelMatmul(){} // 初始化函数，完成内存初始化相关操作 __aicore__ inline void Init(GM_ADDR a, GM_ADDR b, GM_ADDR c){} // 核心处理函数，实现算子逻辑 // 调用私有成员函数CopyIn、SplitA、SplitB、Compute、Aggregate、CopyOut完成矩阵算子的五级流水操作 __aicore__ inline void Process(){} private: __aicore__ inline void CopyND2NZ(const LocalTensor& dst, const GlobalTensor& src, const uint16_t height, const uint16_t width){} // 搬进函数，完成编程范式中的CopyIn阶段的处理，由Process函数调用 __aicore__ inline void CopyIn(){} // 搬进函数，完成编程范式中的Split阶段的处理，由Process函数调用 __aicore__ inline void SplitA(){} // 搬进函数，完成编程范式中的Split阶段的处理，由Process函数循环调用两次，分别搬运b矩阵的两个part __aicore__ inline void SplitB(const LocalTensor& b1Local, const int bSplitIdx){} // 计算函数，完成编程范式中的Compute阶段的处理，由Process函数循环调用两次，分别计算出矩阵c的两个part __aicore__ inline void Compute(const LocalTensor& a2Local){} // 搬出函数，完成编程范式中的Aggregate阶段的处理，由Process函数循环调用两次，分别搬出矩阵c的两个part __aicore__ inline void Aggregate(const LocalTensor& c2Local, const int bSplitIdx){} // 搬出函数，完成编程范式中的CopyOut阶段的处理，由Process函数调用 __aicore__ inline void CopyOut(){} private: AscendC::TPipe pipe; // Pipe内存管理对象，管理Queue队列的内存 AscendC::TQue inQueueA1; // 输入数据的队列，TPosition为A1 AscendC::TQue inQueueA2; // 输入数据的队列，TPosition为A2 AscendC::TQue inQueueB1; // 输入数据的队列，TPosition为B1 AscendC::TQue inQueueB2; // 输入数据的队列，TPosition为B2 AscendC::TQue outQueueCO1; // 输出数据的队列，TPosition为CO1 AscendC::TQue outQueueCO2; // 输出数据的队列，TPosition为CO2 // 管理输入输出Global Memory内存地址的对象，其中aGM，bGM为输入，cGM为输出 AscendC::GlobalTensor aGM, bGM; AscendC::GlobalTensor cGM; uint16_t m = 32; uint16_t n = 32; uint16_t k = 32; uint16_t aSize, bSize, cSize, mBlocks, nBlocks, kBlocks; }; ``` KernelMatmul构造函数实现 构造函数中对私有成员变量进行初始化，具体代码如下： ``` __aicore__ inline KernelMatmul() { aSize = m * k; bSize = k * n; cSize = m * n; mBlocks = m / 16; nBlocks = n / 16; kBlocks = k / 16; } ``` 矩阵a的形状为[m, k]，矩阵b的形状为[k, n]，矩阵c的形状为[m,n]，此样例中m、n、k均设置为32。 aSize、bSize、cSize分别为矩阵a、b、c的数值个数。 mBlocks、 nBlocks、 kBlocks为m、n、k所占分形数量，half类型一个分形Shape为16 * 16，blocks计算公式为： - mBlocks = m / 16 - nBlocks = n / 16 - kBlocks = k / 16 分形具体介绍可参考数据排布格式。 Init函数实现 Init函数主要完成以下内容： - 设置输入输出Global Tensor的Global Memory内存地址。 以设置输入a在Global Memory上的内存偏移地址为例： 1 aGM.SetGlobalBuffer((__gm__ half*)a); 注意，因为本样例中Init函数的入参统一设置为uint8_t*，这里需要强转成具体的数据类型(__gm__ half*)，再进行偏移。 - 通过Pipe内存管理对象为输入输出Queue分配内存。 比如，为输入数据队列inQueueB2分配内存，可以通过如下代码段实现： 1 pipe.InitBuffer(inQueueB2, 2, bSize * sizeof(half) / 2); 此样例中将b矩阵切分为两个part，为inQueueB2分配内存时需要申请两块内存空间，每一块的大小为b矩阵大小的一半，outQueueCO1的内存初始化同理。 具体的初始化函数代码如下： ``` __aicore__ inline void Init(GM_ADDR a, GM_ADDR b, GM_ADDR c) { aGM.SetGlobalBuffer((__gm__ half*)a); bGM.SetGlobalBuffer((__gm__ half*)b); cGM.SetGlobalBuffer((__gm__ float*)c); pipe.InitBuffer(inQueueA1, 1, aSize * sizeof(half)); pipe.InitBuffer(inQueueA2, 1, aSize * sizeof(half)); pipe.InitBuffer(inQueueB1, 1, bSize * sizeof(half)); pipe.InitBuffer(inQueueB2, 2, bSize * sizeof(half) / 2); pipe.InitBuffer(outQueueCO1, 2, cSize * sizeof(float) / 2); pipe.InitBuffer(outQueueCO2, 1, cSize * sizeof(float)); } ``` Process函数实现 基于矩阵编程范式，将核函数的实现分为5个基本阶段：CopyIn，Split，Compute，Aggregate，CopyOut。Split，Compute，Aggregate阶段需要区分a、b矩阵。Process函数中通过如下方式调用这几个函数。 ``` __aicore__ inline void Process() { CopyIn(); SplitA(); AscendC::LocalTensor b1Local = inQueueB1.DeQue(); AscendC::LocalTensor a2Local = inQueueA2.DeQue(); AscendC::LocalTensor c2Local = outQueueCO2.AllocTensor(); // split matrix b into 2 parts, [32, 16] and [32, 16] for (int i = 0; i < 2; ++i) { SplitB(b1Local, i); Compute(a2Local); Aggregate(c2Local, i); } inQueueB1.FreeTensor(b1Local); inQueueA2.FreeTensor(a2Local); outQueueCO2.EnQue(c2Local); CopyOut(); } ``` 两次循环内，SplitB需要从inQueueB1中分别搬运两个part的b矩阵，Compute需要分别计算a矩阵和两个part b矩阵的乘法，Aggregate要分别搬运两个part的c矩阵，具体五个阶段数据流通示意图如下： 图5 数据流通示意图 切分b矩阵，可以实现一部分的并行，本样例的流水并行示意图如下： 图6 并行示意图 1. Stage1：CopyIn函数实现。 a. 使用 AllocTensor(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0138.html) 从A1，B1的Queue中申请a1Local和b1Local。 b. 使用DataCopy(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0101.html)接口将矩阵a、b搬运到Local Memory，同时将其数据格式从ND转换为NZ。 一次DataCopy指令搬运height*16个数，循环执行width/16次。DataCopy的参数设置如下： - blockCount设置为height，共搬运height次。 - blockLen设置为1，一次搬运16个类型为half的数。 - srcStride设置为width/16 - 1，源矩阵每搬运一个block需要跳跃一行。 - dstStride设置为0，目的矩阵每个block在内存中连续存储。 - 每次循环迭代，源矩阵首地址移动16个数，目的矩阵首地址移动16*height个数。 格式转换示意图如下，第一次循环搬运蓝色部分，第二次循环搬运绿色部分；图中width为32，占两个分形，height为32，占两个分形，一共搬运4个16*16分形。 图7 ND to NZ转换示意图 注意：上述ND到NZ的格式转换仅作为举例说明，开发者可根据实际情况选择合适的转换方式。 c. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将a1Local、b1Local分别放入A1、B1的Queue中。 具体代码如下： ``` __aicore__ inline void CopyND2NZ(const LocalTensor& dst, const GlobalTensor& src, const uint16_t height, const uint16_t width) { for (int i = 0; i < width / 16; ++i) { int srcOffset = i * 16; int dstOffset = i * 16 * height; AscendC::DataCopy(dst[dstOffset], src[srcOffset], { height, 1, uint16_t(width / 16 - 1), 0 }); } } __aicore__ inline void CopyIn() { AscendC::LocalTensor a1Local = inQueueA1.AllocTensor(); AscendC::LocalTensor b1Local = inQueueB1.AllocTensor(); CopyND2NZ(a1Local, aGM, m, k); CopyND2NZ(b1Local, bGM, k, n); inQueueA1.EnQue(a1Local); inQueueB1.EnQue(b1Local); } ``` 2. Stage2：SplitA函数实现。 a. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从A1的Queue中取出a1Local。 b. 使用 AllocTensor(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0138.html) 从A2的Queue中申请a2Local。 c. 使用 LoadData(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0238.html) 将矩阵a搬运到A2，同时将a矩阵从NZ格式转换为ZZ格式。 搬运及格式转换示意图如下：图中k为32，占kBlocks（k/16=2）个分形，m为32，占mBlocks（m/16=2）个分形，一共搬运4个16*16分形。本示例中，调用一次LoadData接口完成两个16*16分形的搬运，循环调用两次LoadData。第一次循环搬运蓝色部分两个分形，第二次循环搬运绿色部分两个分形。 单次循环中LoadData（本样例中要完成2个分形的搬运，蓝色部分或者绿色部分）的参数设置如下： - repeatTimes表示数据处理的迭代次数，因为LoadData每个迭代处理一个分形，所以也可以理解为待搬运分形的个数。本样例中即为k轴方向的分形个数，设置为kBlocks，表示搬运kBlocks个分形。 - srcStride表示，相邻迭代间源操作数分形首地址之间的间隔，以搬运蓝色部分分形为例：下图中左侧源操作数矩阵，第一个蓝色分形和第二个蓝色分形起始地址之间的间隔为mBlocks个分形，此处设置为mBlocks。 - dstGap使用默认值，目的矩阵两个分形连续存储。 - ifTranspose设置为false，每块分形搬运前搬运后都为Z格式，不使能转置。 - 每次循环迭代源矩阵首地址偏移16*16，目的矩阵首地址偏移16*k。 图8 NZ to ZZ格式转换示意图 d. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将计算结果a2Local放入到A2的Queue中。 具体代码如下： 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 __aicore__ inline void SplitA() { int srcOffset = 0; int dstOffset = 0; AscendC::LocalTensor a1Local = inQueueA1.DeQue(); AscendC::LocalTensor a2Local = inQueueA2.AllocTensor(); // transform nz to zz for (int i = 0; i < mBlocks; ++i) { AscendC::LoadData2DParams loadDataParams; loadDataParams.repeatTimes = kBlocks; loadDataParams.srcStride = mBlocks; loadDataParams.ifTranspose = false; AscendC::LoadData(a2Local[dstOffset], a1Local[srcOffset], loadDataParams); srcOffset += 16 * 16; dstOffset += k * 16; } inQueueA2.EnQue(a2Local); inQueueA1.FreeTensor(a1Local); } 3. Stage2：SplitB函数实现。 a. SplitB需要传入两个参数：使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从B1的Queue中取出的b1Local和循环迭代变量index。 b. 使用 AllocTensor(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0138.html) 从B2的Queue中申请b2Local。 c. 使用 LoadData(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0238.html) 将b矩阵搬运到B2，同时从NZ格式转换为ZN格式。 搬运及格式转换示意图如下：图中k为32，占kBlocks（k/16=2）个分形，n为32，占nBlocks（n/16=2）个分形，一共搬运4个16*16分形。本示例中，调用一次LoadData接口完成两个16*16分形的搬运，循环调用两次LoadData。第一次循环搬运蓝色部分两个分形，第二次循环搬运绿色部分两个分形。 单次循环中LoadData（本样例中要完成2个分形的搬运，蓝色部分或者绿色部分）的参数设置如下： - repeatTimes表示数据处理的迭代次数，因为LoadData每个迭代处理一个分形，所以也可以理解为待搬运分形的个数。本样例中即为k轴方向的分形个数，设置为kBlocks，表示搬运kBlocks个分形。 - srcStride相邻迭代间源操作数分形首地址之间的间隔，以搬运蓝色部分分形为例：下图中左侧源操作数矩阵，第一个蓝色分形和第二个蓝色分形起始地址之间的间隔为1个分形，此处设置为1，源矩阵两个分形连续存储。 - dstGap使用默认值0，目的矩阵两个分形连续存储。 - ifTranspose设置为true，每块分形搬运前为Z格式，搬运后需要为N格式，需要使能转置。 - 每次循环迭代，源矩阵首地址需要偏移k*n/2。 图9 NZ to ZN格式转换示意图 d. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将计算结果b2Local放入到B2的Queue中。 具体代码如下： ``` __aicore__ inline void SplitB(const AscendC::LocalTensor& b1Local, const int bSplitIdx) { AscendC::LocalTensor b2Local = inQueueB2.AllocTensor(); // transform nz to zn AscendC::LoadData2DParams loadDataParams; loadDataParams.repeatTimes = kBlocks; loadDataParams.srcStride = 1; loadDataParams.ifTranspose = true; AscendC::LoadData(b2Local, b1Local[bSplitIdx * bSize / 2], loadDataParams); inQueueB2.EnQue(b2Local); } ``` 4. Stage3：Compute函数实现，完成核心的矩阵计算功能。 a. Compute函数需要传入参数a2Local，a2Local从A2的Queue中使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 取出。 b. 使用 AllocTensor(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0138.html) 从CO1的Queue中申请c1Local。 c. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从B2中取出b2Local。 d. 使用 Mmad(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0249.html) 完成矩阵乘计算。 e. 使用 EnQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0140.html) 将计算结果c1Local放入到CO1的Queue中。 具体代码如下： ``` __aicore__ inline void Compute(const AscendC::LocalTensor& a2Local) { AscendC::LocalTensor b2Local = inQueueB2.DeQue(); AscendC::LocalTensor c1Local = outQueueCO1.AllocTensor(); AscendC::MmadParams mmadParams; mmadParams.m = m; mmadParams.n = n / 2; mmadParams.k = k; AscendC::Mmad(c1Local, a2Local, b2Local, mmadParams); outQueueCO1.EnQue(c1Local); inQueueB2.FreeTensor(b2Local); } ``` 5. Stage4：Aggregate函数实现，完成数据汇聚操作。 a. Aggregate需要传入两个参数：使用 AllocTensor(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0138.html) 从CO2的Queue中申请的c2Local和循环迭代变量index。 b. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从CO1中取出c1Local。 c. 使用 DataCopy(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0101.html) 将结果矩阵从CO1搬运到CO2。 DataCopy参数设置如下： - blockCount设置为1，blockLen设置为2，连续搬运两个分形，无需格式转换。 - blockMode设置为BlockMode::BLOCK_MODE_MATRIX，表示需要按分形搬运。 - c2Local首地址偏移量设置为index * cSize / 2。 具体代码如下： ``` __aicore__ inline void Aggregate(const AscendC::LocalTensor& c2Local, const int bSplitIdx) { AscendC::LocalTensor c1Local = outQueueCO1.DeQue(); AscendC::DataCopyParams dataCopyParams; dataCopyParams.blockCount = 1; dataCopyParams.blockLen = 2; AscendC::DataCopyEnhancedParams enhancedParams; enhancedParams.blockMode = AscendC::BlockMode::BLOCK_MODE_MATRIX; AscendC::DataCopy(c2Local[bSplitIdx * cSize / 2], c1Local, dataCopyParams, enhancedParams); outQueueCO1.FreeTensor(c1Local); } ``` 6. Stage5：CopyOut函数实现。 a. 使用 DeQue(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0141.html) 从CO2中取出c2Local。 b. 使用 DataCopy(https://www.hiascend.comdocument/detail/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0101.html) 将结果矩阵从CO2搬运到Global Memory，同时需要将格式从NZ转换为ND。 每次循环移动一个分形，搬运m*16个数。DataCopy参数说明如下： - blockCount设置为m，共搬运m次。 - blockLen设置为2，DataCopy指令一次搬运2个block，每个block16个数。 - srcStride设置为0，每两次搬运间没有间隙。 - dstStride设置为(nBlocks - 1) * 2，每两次搬运间隔2个block。 - 每次循环迭代，目的矩阵偏移16，源矩阵偏移m*16。 格式转换示意图如下，第一次循环搬运蓝色部分数据，第二次循环搬运绿色部分数据。 图10 NZ to ND格式转换示意图 具体代码如下： ``` __aicore__ inline void CopyOut() { AscendC::LocalTensor c2Local = outQueueCO2.DeQue(); // transform nz to nd for (int i = 0; i < nBlocks; ++i) { AscendC::DataCopy(cGM[i * 16], c2Local[i * m * 16], { m, 2, 0, uint16_t((nBlocks - 1) * 2) }); } outQueueCO2.FreeTensor(c2Local); } ```