3 天上手 Ascend C 编程丨带你认识 Ascend C 基本概念及常用接口

2023-09-05
广东
本文字数：4312 字
阅读完需：约 14 分钟

本文分享自《【2023 · CANN训练营第一季】——Ascend C算子开发入门——第一次课（核函数的定义及实现）》，作者：dayao。

Ascend C 是 CANN 针对算子开发场景推出的编程语言，原生支持 C 和 C++标准规范，最大化匹配用户开发习惯；通过多层接口抽象、自动并行计算、孪生调试等关键技术，极大提高算子开发效率，助力 AI 开发者低成本完成算子开发和模型调优部署。

时间充足的小伙伴推荐去看官方教程：Ascend C官方教程

想省时省力快速入门可以看这篇文章，为你系统化梳理 AscendC 编程最重要的知识点，3 天快速上手不迷路！

第 1 天学习要点：

一、使用 Ascend C 有哪些优势

C/C++原语编程
编程模型屏蔽硬件差异，编程范式提高开发效率
多层级 API 封装，从简单到灵活，兼顾易用与高效
孪生调试，CPU 侧模拟 NPU 侧的行为，可先在 CPU 侧调试

二、核函数

核函数（Kernel Function）是 Ascend C 算子 kernel 侧实现的入口。Ascend C 允许用户使用核函数这种 C/C++函数的语法扩展来管理设备端的运行代码，用户在核函数中进行算子类对象的创建和其成员函数的调用，由此实现该算子的所有功能。核函数是主机端和设备端连接的桥梁。

1、核函数定义

核函数是直接在设备端执行的代码。在核函数中，需要为在一个核上执行的代码规定要进行的数据访问和计算操作，当核函数被调用时，多个核将并行执行同一个计算任务。核函数需要按照如下规则进行编写。

1、函数类型限定符

2、必须具有 void 返回类型

3、变量类型限定符

为了方便：指针入参变量统一的类型定义为__gm__ uint8_t*。用户统一使用 uint8_t 类型的指针，并在使用时转换为实际的指针类型；亦可直接传入实际的指针类型。

2、核函数调用

核函数的调用语句是 C/C++函数调用语句的一种扩展。不同于常见的 function_name(argument list)函数调用方式，核函数使用内核调用符<<<...>>>这种语法形式，来规定核函数的执行配置：

1、内核调用符这种调用方式，仅可在 NPU 侧编译时调用，CPU 侧编译无法识别该符号。

2、核函数的调用是异步的，核函数的调用结束后，控制权立刻返回给主机端，可以调用 aclrtSynchronizeStream 函数来强制主机端程序等待所有核函数执行完毕。

3、算子运行验证

Ascend C 算子可用 CPU 模式或 NPU 模式执行

CPU 模式：算子功能调试用，可以模拟在 NPU 上的计算行为，不需要依赖昇腾设备

NPU 模式：算子功能/性能调试，可以使用 NPU 的强大算力进行运算加速

4、代码里使用内置宏 __CCE_KT_TEST__标识被宏包括的代码在 CPU 或 NPU 模式下编译。

#ifdef __CCE_KT_TEST__ //表示在CPU模式下会编译该段代码
#ifndef __CCE_KT_TEST__ //表示在NPU模式下会编译该段代码

复制代码

三、helloworld 样例演示

1、代码

2、编译与运行

四、常用数据定义

1、GlobalTensor

GlobalTensor 用来存放 Global Memory（外部存储）的全局数据。

template <typename T> class GlobalTensor {    void SetGlobalBuffer(__gm__ T* buffer, uint32_t bufferSize); // 传入全局数据的指针，并手动设置一个buffer size，初始化GlobalTensor}

复制代码

buffer：主机侧传入的全局数据指针

bufferSize：所包含的类型为 T 的数据个数，单位为 element，需自行保证不会超出实际数据的长度

类型 T 支持所有数据类型，但需要遵循使用此 GlobalTensor 的指令的数据类型支持情况。

SetGlobalBuffer 用于设置 GlobalTensor 的存储位置：buffer 指向外部存储的起始地址，bufferSize 为 Tensor 所占外部存储的大小，如指向的外部存储有连续 256 个 int32_t，则其 dataSize 为 256。代码示例：

void Init(__gm__ uint8_t *__restrict__ src_gm, __gm__ uint8_t *__restrict__ dst_gm){    uint32_t dataSize = 256; //设置input_global的大小为256
    GlobalTensor<int32_t> inputGlobal; // 类型为int32_t    inputGlobal.SetGlobalBuffer(reinterpret_cast<__gm__ int32_t *>(src_gm), dataSize); // 设置源操作数在Global Memmory上的起始地址为src_gm，所占外部存储的大小为256个int32_t
    LocalTensor<int32_t> inputLocal = inQueueX.AllocTensor<int32_t>();        DataCopy(inoutLocal, inputGlobal, dataSize); // 将Global Memmory上的inputGlobal拷贝到Local Memmory的inputLocal上    ...}

复制代码

2、LocalTensor

用于存放 AI Core 中 Local Memory（内部存储）的数据，支持 QuePosition 为 VECIN、VECOUT、A1、A2、B1、B2、CO1、CO2。

template <typename T> class LocalTensor {T GetValue(const uint32_t offset) const;template <typename T1> void SetValue(const uint32_t offset, const T1 value) const;    LocalTensor operator[](const uint32_t offset) const;uint32_t GetSize() const;}

复制代码

函数说明：类型 T 支持所有数据类型，但需要遵循使用此 LocalTensor 的指令的数据类型支持情况。

代码示例：

// srcLen = 256, num = 100, M=50// 示例1for (int32_t i = 0; i < srcLen; ++i) {     input_local.SetValue(i, num); // 对input_local中第i个位置进行赋值为num}// 示例1结果如下：// 数据(input_local): [100 100 100  ... 100]
// 示例2for (int32_t i = 0; i < srcLen; ++i) {auto element = input_local.GetValue(i); // 获取input_local中第i个位置的数值}// 示例2结果如下：// element 为100
// 示例3auto size = input_local.GetSize(); // 获取input_local的长度，size大小为input_local有多少个element// 示例3结果如下：// size大小为srcLen，256。
// 示例4Add(output_local[M], input_local[M], input_local2[M], M); // operator[]使用方法，output_local[M]为从起始地址开始偏移量为M的新tensor// 示例4结果如下：// 输入数据(input_local): [100 100 100 ... 100]// 输入数据(input_local2): [1 2 3 ... 50]// 输出数据(output_local): [101 102 103 ... 150]

复制代码

五、多层级 API 接口

Ascend C 提供了多层级的 0-3 级 API，随着级别增高，API 使用的自由度降低，易用性增强。开发者可以根据需要选择合适的 API，使用最通俗易懂的高级接口快速搭建算子逻辑，使用自由灵活的低级接口进行复杂的逻辑实现和性能调优。这样做的主要作用是：

降低复杂指令的使用难度
跨代兼容性保障
保留最大灵活度的可能

1、3 级接口

运算符重载，支持+, -, *, /, |, &, <, >, <=, >=, ==, !=，实现 1 级指令的简化表达。允许用户使用形如：dst = src0 * src1，针对整个 Tensor 进行计算，以下指令 API 拥有 3 级接口：

2、2 级接口

针对源操作数 srcLocal 的连续 COUNT 个数据进行计算，并连续写入目的操作数 dstLocal，解决一维 tensor 的连续计算问题。

3、0 级接口

0 级功能灵活计算接口，是最底层的开发接口，可以完整发回硬件优势的计算 API，可以进行非连续计算，该功能可以充分发回 CANN 系列芯片的强大功能指令，支持对每个操作数的 Block stride，Repeat stride，MASK 的操作，允许用户使用诸多的通用参数来定制化所需要的操作：

1、重复迭代次数-Repeat times

矢量计算单元，每次读取连续的 8 个 block（每个 block32 Bytes，共 256 Bytes）数据进行计算，为完成对输入数据的处理，必须通过多次迭代（repeat）才能完成所有数据的读取与计算。Repeat times 表示迭代的次数。

如下图所示，待处理数据大小为 16 个 block（512Bytes），每次迭代处理 8 个 block（256Bytes），需要两次迭代完成计算，Repeat times 应设置为 2。

2、相邻迭代间相同 block 的地址步长

当 Repeat times 大于 1，需要多次迭代完成矢量计算时，您可以根据不同的使用场景合理设置相邻迭代间相同 block 的地址步长 Repeat stride 的值。

连续计算场景：假设定义一个 Tensor 供目的操作数和源操作数同时使用（即地址重叠），Repeat stride 取值为 8。此时，矢量计算单元第一次迭代读取连续 8 个 block，第二轮迭代读取下一个连续的 8 个 block，通过多次迭代即可完成所有输入数据的计算。

非连续计算场景：Repeat stride 取值大于 8（如取 10）时，则相邻迭代间矢量计算单元读取的数据在地址上不连续，出现 2 个 block 的间隔。

反复计算场景：Repeat stride 取值为 0 时，矢量计算单元会对首个连续的 8 个 block 进行反复读取和计算。

部分重复计算：Repeat stride 取值大于 0 且小于 8 时，相邻迭代间部分数据会被矢量计算单元重复读取和计算，此种情形一般场景不涉及。

3、同一迭代内不同 block 的地址步长

如果需要控制单次迭代内，数据处理的步长，可以通过设置同一迭代内不同 block 的地址步长 Block stride 来实现。

连续计算，Block stride 设置为 1，对同一迭代内的 8 个 block 数据连续进行处理。
非连续计算，Block stride 值大于 1（如取 2），同一迭代内不同 block 之间在读取数据时出现一个 block 的间隔，如下图所示。

4、Mask 参数

mask 用于控制每次迭代内参与计算的元素。可通过连续模式和逐比特模式两种方式进行设置。

连续模式：表示前面连续的多少个元素参与计算。数据类型为 uint64_t。取值范围和操作数的数据类型有关，数据类型不同，每次迭代内能够处理的元素个数最大值不同（当前数据类型单次迭代时能处理的元素个数最大值为：256 / sizeof(数据类型)）。当操作数的数据类型占比特位 16 位时（如 half，uint16_t)，mask∈[1, 128]；当操作数为 32 位时（如 float, int32_t），mask∈[1, 64]。

逐 bit 模式：可以按位控制哪些元素参与计算，bit 位的值为 1 表示参与计算，0 表示不参与。参数类型为长度为 2 的 uint64_t 类型数组。参数取值范围和操作数的数据类型有关，数据类型不同，每次迭代内能够处理的元素个数最大值不同。当操作数为 16 位时，mask[0]、mask[1]∈[0, 264-1]；当 dst/src 为 32 位时，mask[1]为 0，mask[0]∈[0, 264-1]。