矢量编程

算子实现流程概述

基于AscendC方式实现矢量算子的流程如图1所示。

图1 矢量算子实现流程

• 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AscendC接口。

• 核函数定义：定义AscendC算子入口函数。

• 根据矢量编程范式实现算子类：完成核函数的内部实现。

下文以ElemWise(Add)算子为例，对上述步骤进行详细介绍。本样例中介绍的算子完整代码参见add_custom.cpp。

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AscendC接口。

1. 明确算子的数学表达式及计算逻辑。

   Add算子的数学表达式为：

   z = x + y

   计算逻辑是：AscendC提供的矢量计算接口的操作元素都为LocalTensor，输入数据需要先搬运进片上存储，然后使用计算接口完成两个输入参数相加，得到最终结果，再搬出到外部存储上。AscendC Add算子的计算逻辑如下图所示。

   图2 算子计算逻辑

   

2. 明确输入和输出。

   • Add算子有两个输入：x与y，输出为z。
   • 本样例中算子的输入支持的数据类型为half(float16)，算子输出的数据类型与输入数据类型相同。
   • 算子输入支持shape(8，2048)，输出shape与输入shape相同。
   • 算子输入支持的format为：ND。

3. 确定核函数名称和参数。

   • 开发者可以自定义核函数名称，本样例中核函数命名为add_custom。
   • 根据对算子输入输出的分析，确定核函数有3个参数x，y，z；x，y为输入在Global Memory上的内存地址，z为输出在Global Memory上的内存地址。

4. 确定算子实现所需接口。

   • 实现涉及外部存储和内部存储间的数据搬运，查看AscendC API参考中的数据搬移接口，需要使用DataCopy来实现数据搬移。
   • 本样例只涉及矢量计算的加法操作，通过查看AscendC API参考中的矢量计算接口定义，初步分析可使用双目指令Add接口实现x+y。
   • 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、DeQue等接口。

   通过以上分析，得到AscendC Add算子的设计规格如下。

   • 算子类型(OpType)： Add
   • 算子输入输出：
     • name: x（输入）、y（输入）、z（输出）
     • shape: (8, 2048)
     • data type: half
     • format: ND
   • 核函数名称： add_custom
   • 使用的主要接口： DataCopy：数据搬移接口；Add：矢量双目指令接口；EnQue、DeQue等接口：Queue队列管理接口。
   • 算子实现文件名称： add_custom.cpp

核函数定义

根据核函数定义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add_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x，y，z，其中x，y为输入内存，z为输出内存。根据核函数定义核函数的规则介绍，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；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。

   extern "C" __global__ __aicore__ void add_custom(GM_ADDR x, GM_ADDR y, GM_ADDR z)
   {
   }

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。

   extern "C" __global__ __aicore__ void add_custom(GM_ADDR x, GM_ADDR y, GM_ADDR z)
   {
       KernelAdd op;
       op.Init(x, y, z);
       op.Process();
   }

算子类实现

根据上一节介绍，核函数中会调用算子类的Init和Process函数，本节具体讲解如何基于编程范式实现算子类。

根据矢量编程范式对Add算子的实现流程进行设计的思路如下，矢量编程范式请参考Vector编程范式，设计完成后得到的Add算子实现流程图参见图3：

• Add算子的实现流程分为3个基本任务：CopyIn，Compute，CopyOut。CopyIn任务负责将Global Memory上的输入Tensor xGm和yGm搬运至Local Memory，分别存储在xLocal，yLocal，Compute任务负责对xLocal，yLocal执行加法操作，计算结果存储在zLocal中，CopyOut任务负责将输出数据从zLocal搬运至Global Memory上的输出Tensor zGm中。

• CopyIn，Compute任务间通过VECIN队列inQueueX，inQueueY进行通信和同步，Compute，CopyOut任务间通过VECOUT队列outQueueZ进行通信和同步。

• 任务间交互使用到的内存、临时变量使用到的内存统一使用pipe内存管理对象进行管理。

图3 Add算子实现流程

算子类中主要实现上述流程，包含对外开放的初始化Init函数和核心处理函数Process，Process函数中会对上图中的三个基本任务进行调用；同时包括一些算子实现中会用到的私有成员，比如上图中的Global Tensor和VECIN、VECOUT队列等。KernelAdd算子类具体成员如下。

class KernelAdd {
public:
    __aicore__ inline KernelAdd() {}
    // 初始化函数，用于初始化内存
    __aicore__ inline void Init(GM_ADDR x, GM_ADDR y, GM_ADDR z){}
    // 核心处理函数，实现算子逻辑，调用私有成员函数CopyIn、Compute和CopyOut，完成矢量算子的三阶段流水线执行
    __aicore__ inline void Process(){}
  
private:
    // CopyIn函数，完成CopyIn阶段的处理，由Process函数调用
    __aicore__ inline void CopyIn(int32_t progress){}
    // Compute函数，完成Compute阶段的处理，由Process函数调用
    __aicore__ inline void Compute(int32_t progress){}
    // CopyOut函数，完成CopyOut阶段的处理，由Process函数调用
    __aicore__ inline void CopyOut(int32_t progress){}
 
private:
    AscendC::TPipe pipe; // 管道内存管理对象
    AscendC::TQue<AscendC::QuePosition::VECIN, 1> inQueueX, inQueueY; // 输入数据队列管理对象，队列位置为VECIN
    AscendC::TQue<AscendC::QuePosition::VECOUT, 1> outQueueZ; // 输出数据队列管理对象，队列位置为VECOUT
    AscendC::GlobalTensor<half> xGm; // 输入输出全局内存地址管理对象，xGm和yGm为输入，zGm为输出
    AscendC::GlobalTensor<half> yGm;
    AscendC::GlobalTensor<half> zGm;
};

初始化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。

  本样例中使用多核并行计算，即把数据进行分片，分配到多个核上进行处理。AscendC核函数是在一个核上的处理函数，所以只处理部分数据，需要在初始化函数中获取该核函数需要处理的输入输出在Global Memory上的内存偏移地址，并将该偏移地址设置在Global Tensor中。

  以获取输入x在Global Memory上的内存偏移地址为例：

  xGm.SetGlobalBuffer((__gm__ half*)x + BLOCK_LENGTH * GetBlockIdx(), BLOCK_LENGTH);

  本样例中的分配方案是：数据整体长度TOTAL_LENGTH为8 * 2048，平均分配到8个核上运行，每个核上处理的数据大小BLOCK_LENGTH为2048字节。x + BLOCK_LENGTH * GetBlockIdx()即为单核处理程序中x在Global Memory上的内存偏移地址，获取偏移地址后，使用GlobalTensor类的接口设定该核上Global Memory的起始地址以及长度。具体示意图请参考图4。

  图4 多核并行处理示意图

  

• 通过Pipe内存管理对象为输入输出Queue分配内存。

  比如，为输入x的Queue分配内存，可以通过如下代码段实现：

  pipe.InitBuffer(inQueueX, BUFFER_NUM, TILE_LENGTH * sizeof(half))

  对于单核上的处理数据，可以进行数据切块(Tiling)，在本示例中，将数据切分成8块（并不意味着8块就是性能最优）仅作为参考。切分后的每个数据块再次切分成2块，即可开启double buffer，实现流水线之间的并行。

  这样单核上的数据（2048个数）被切分成16块，每块TILE_LENGTH(128)个数据。上文代码表示Pipe为inQueueX分配了两块大小为TILE_LENGTH * sizeof(half)个字节的内存块，每个内存块能容纳TILE_LENGTH(128)个half类型数据。数据切分示意图如图5所示。

  图5 单核数据切分示意图

  

Kirin9020/Kirin9030/KirinX90系列处理器支持的核数为1，具体的初始化函数代码如下。

constexpr int32_t TOTAL_LENGTH = 8 * 2048; // 数据总长度
constexpr int32_t USE_CORE_NUM = 1; // 使用的核心数量
constexpr int32_t BLOCK_LENGTH = TOTAL_LENGTH / USE_CORE_NUM; // 每个核心计算的数据长度
constexpr int32_t TILE_NUM = 8; // 将数据拆分为8个图块（tile）供每个核心处理
constexpr int32_t BUFFER_NUM = 2; // 每个队列中的张量数量（用于双缓冲）
constexpr int32_t TILE_LENGTH = BLOCK_LENGTH / TILE_NUM / BUFFER_NUM; // 每个图块长度（由于双缓冲机制，需拆分为2部分）
__aicore__ inline void Init(GM_ADDR x, GM_ADDR y, GM_ADDR z)
{
    // 获取当前核心的起始索引，实现核心并行
    xGm.SetGlobalBuffer((__gm__ half*)x + BLOCK_LENGTH * AscendC::GetBlockIdx(), BLOCK_LENGTH);
    yGm.SetGlobalBuffer((__gm__ half*)y + BLOCK_LENGTH * AscendC::GetBlockIdx(), BLOCK_LENGTH);
    zGm.SetGlobalBuffer((__gm__ half*)z + BLOCK_LENGTH * AscendC::GetBlockIdx(), BLOCK_LENGTH);
    // 初始化管道（Pipe）缓冲区到队列，单位是字节
    pipe.InitBuffer(inQueueX, BUFFER_NUM, TILE_LENGTH * sizeof(half));
    pipe.InitBuffer(inQueueY, BUFFER_NUM, TILE_LENGTH * sizeof(half));
    pipe.InitBuffer(outQueueZ, BUFFER_NUM, TILE_LENGTH * sizeof(half));
}

基于矢量编程范式，将核函数的实现分为3个基本任务：CopyIn，Compute，CopyOut。Process函数中通过如下方式调用这三个函数。

    __aicore__ inline void Process()
    {
        // 由于使用了双缓冲区，循环次数需要加倍。
        constexpr int32_t loopCount = TILE_NUM * BUFFER_NUM;
        // 平铺策略，流水线并行
        for (int32_t i = 0; i < loopCount; i++) {
            CopyIn(i);
            Compute(i);
            CopyOut(i);
        }
    }

根据编程范式上面的算法分析，将整个计算拆分成三个Stage，开发者单独编写每个Stage的代码，三阶段流程示意图参见图3，具体流程如下。

1. CopyIn函数实现。

   1. 使用DataCopy接口将GlobalTensor数据拷贝到LocalTensor。
   2. 使用EnQue将LocalTensor放入VecIn的Queue中。

   __aicore__ inline void CopyIn(int32_t progress)
       {
           // 从队列内存中分配张量
           AscendC::LocalTensor<half> xLocal = inQueueX.AllocTensor<half>();
           AscendC::LocalTensor<half> yLocal = inQueueY.AllocTensor<half>();
           // 将progress_th tile从全局张量复制到局部张量
           AscendC::DataCopy(xLocal, xGm[progress * TILE_LENGTH], TILE_LENGTH);
           AscendC::DataCopy(yLocal, yGm[progress * TILE_LENGTH], TILE_LENGTH);
           // 将输入张量入队到VECIN队列
           inQueueX.EnQue(xLocal);
           inQueueY.EnQue(yLocal);
       }

2. Compute函数实现。

   1. 使用DeQue从VecIn中取出LocalTensor。
   2. 使用Add接口完成矢量计算。
   3. 使用EnQue将计算结果LocalTensor放入到VecOut的Queue中。
   4. 使用FreeTensor释放不再使用的LocalTensor。

   __aicore__ inline void Compute(int32_t progress)
   {
       // 从VECIN队列中取出输入张量。
       AscendC::LocalTensor<half> xLocal = inQueueX.DeQue<half>();
       AscendC::LocalTensor<half> yLocal = inQueueY.DeQue<half>();
       AscendC::LocalTensor<half> zLocal = outQueueZ.AllocTensor<half>();
       // 调用Add指令进行计算
       AscendC::Add(zLocal, xLocal, yLocal, TILE_LENGTH);
       // 将输出张量加入VECOUT队列
       outQueueZ.EnQue<half>(zLocal);
       // 免费输入张量，可重复使用
       inQueueX.FreeTensor(xLocal);
       inQueueY.FreeTensor(yLocal);
   }

3. CopyOut函数实现。

   1. 使用DeQue接口从VecOut的Queue中取出LocalTensor。
   2. 使用DataCopy接口将LocalTensor拷贝到GlobalTensor上。
   3. 使用FreeTensor将不再使用的LocalTensor进行回收。

    __aicore__ inline void CopyOut(int32_t progress)
   {
       // 从VECOUT队列中取出输出张量。
       AscendC::LocalTensor<half> zLocal = outQueueZ.DeQue<half>();
       // 将局部张量中的progress_th块复制到全局张量
       AscendC::DataCopy(zGm[progress * TILE_LENGTH], zLocal, TILE_LENGTH);
       // 可自由输出张量以供重用
       outQueueZ.FreeTensor(zLocal);
   }

运行验证

核函数即算子kernel程序开发完成后，即可编写host侧的核函数调用程序，实现从host侧的APP程序调用算子，进行运行验证。