功能说明
NCHW转换成NC1HWC0格式。如果是数据类型是float32 int32,uint32, int16,unint16,float16, 则C0=16， 如果数据类型是uint8，int8，则C0=32.
函数原型
vec_trans_scatter (dst_high_half, src_high_half, dst_list, src_list, repeat_times, dst_rep_stride, src_rep_stride)
参数说明
参数名称 |
输入/输出 |
含义 |
|---|---|---|
dst_high_half |
输入 |
指定 dst_list[*] 的数据存储到 block 的高半部还是低半部，该配置只支持 int8/uint8 的数据类型。 支持的数据类型为 bool，有以下两种取值：
|
src_high_half |
输入 |
指定 src_list[*] 的数据从 block 的高半部还是低半部读取，该配置只支持int8/uint8的数据类型。 支持的数据类型为 bool，有以下两种取值：
|
dst_list |
输出 |
矢量目的操作数序列，其中元素为每个目的操作数起始位置。 Tensor的scope为Unified Buffer。 Atlas 200/300/500 推理产品，支持的数据类型为Tensor(int8/uint8/int16/uint16/float16)。 Atlas 训练系列产品，支持的数据类型为Tensor(int8/uint8/int16/uint16/float16)。 |
src_list |
输入 |
矢量源操作数序列，其中元素为每个源操作数起始位置，支持的数据类型应与 dst_list 一致。 Tensor的scope为Unified Buffer。 |
repeat_times |
输入 |
重复迭代次数，repeat_times∈[0,255]，单位：block。支持的数据类型：Scalar(int16/int32/int64/uint16/uint32/uint64)、立即数(int)、Expr(int16/int32/int64/uint16/uint32/uint64)。 注意事项： 1、当 repeat_times 为 1 时，目的操作数/源操作数的有效起始位置为 dst_list/src_list 序列输入的起始位置加上 dst_rep_stride/src_rep_stride。 2、当 repeat_times 大于 1 时，第一次 repeat 中目的操作数/源操作数的有效起始位置为 dst_list/src_list 序列输入的起始位置，第二次需要加上 dst_rep_stride/src_rep_stride， 以此类推。 |
dst_rep_stride |
输入 |
相邻迭代间，目的操作数相同 block 地址 stride，dst_rep_stride∈[0,65535]，单位：block。支持的数据类型：Scalar(int16/int32/int64/uint16/uint32/uint64)、立即数(int)、Expr(int16/int32/int64/uint16/uint32/uint64) |
src_rep_stride |
输入 |
相邻迭代间，源操作数相同 block 地址 stride，src_rep_stride∈[0,65535]，单位：block。支持的数据类型：Scalar(int16/int32/int64/uint16/uint32/uint64)、立即数(int)、Expr(int16/int32/int64/uint16/uint32/uint64) |
支持的芯片型号
Atlas 200/300/500 推理产品
Atlas 训练系列产品
注意事项
- 一般用法是将src_list/dst_list中的每个元素配置为每个HW平面的起点。
- 为了性能更优，int8/uint8 时建议先固定 dstHighHalf、srcHighHalf，在HW方向 repeat后，再改变dstHighHalf、srcHighHalf。
- mask值不影响这个API的执行。
- 为了节省地址空间，开发者可以定义一个Tensor，供源操作数与目的操作数同时使用（即地址重叠），相关约束如下：
- 对于单次repeat（repeat_times=1），且源操作数序列与目的操作数序列之间要求100%完全重叠，不支持部分重叠，且每一个block都必须相等。
- 对于多次repeat（repeat_times>1），若源操作数序列与目的操作数序列之间存在依赖，即第N次迭代的目的操作数是第N+1次的源操作数，这种情况是不支持地址重叠的。
- 操作数地址偏移对齐要求请见通用约束。
返回值
无
调用示例
from tbe import tik
tik_instance = tik.Tik()
src_gm = tik_instance.Tensor("float16", (256,), name="src_gm", scope=tik.scope_gm)
dst_gm = tik_instance.Tensor("float16", (256,), name="dst_gm", scope=tik.scope_gm)
src_ub = tik_instance.Tensor("float16", (256,), name="src_ub", scope=tik.scope_ubuf)
dst_ub = tik_instance.Tensor("float16", (256,), name="dst_ub", scope=tik.scope_ubuf)
# 将用户输入数据从gm搬运到ub
tik_instance.data_move(src_ub, src_gm, 0, 1, 16, 0, 0)
dst_list = [dst_ub[16 * i] for i in range(16)]
src_list = [src_ub[16 * i] for i in range(16)]
tik_instance.vec_trans_scatter(True, False, dst_list, src_list, 1, 0, 0)
# 将计算结果从ub搬运到gm
tik_instance.data_move(dst_gm, dst_ub, 0, 1, 16, 0, 0)
tik_instance.BuildCCE(kernel_name="vec_trans_scatter", inputs=[src_gm], outputs=[dst_gm])
结果示例：
输入数据(src_gm): [ 2.678 9.33 -3.406 8.35 -0.2708 5.73 -5.562 -9.445 -4.387 -2.959 9.875 7.062 -7.652 2.914 -6.78 4.277 -2.373 7.086 -7.777 3.846 9.73 2.725 6.867 -6.97 -6.74 1.559 -3.348 3.78 3.459 7.113 -0.826 -1.306 -2.008 -8.56 3.55 1.716 7.348 6.05 9.57 4.133 -2.629 1.766 -9.59 -7.08 -3.045 -8.47 4.023 4.117 -5. 4.44 -0.7505 1.9375 -0.02312 2.521 3.154 4.4 1.726 7.984 8.32 -2.715 9.73 -8.875 1.201 -2.582 -3.16 -0.1744 5.44 -9.83 1.03 -3.535 5.26 2.852 6.77 7.66 4.668 6.367 -1.134 6.074 -6.887 -8.45 -8.484 -2.256 8.04 4.586 -6.25 7.457 0.3906 2.299 4.023 2.389 5.938 -1.715 2.162 -8.79 -7.99 -2.768 -5.258 4.684 -9.195 4.52 -0.6104 9.23 1.059 -3.293 4.13 7.67 -4.37 2.953 -1.045 -6.01 3.2 -9.805 -0.744 0.286 -3.682 -4.355 -0.1448 -2.19 -6.49 9.31 -2.967 -6.254 -8.27 -0.507 -0.2869 2.22 -0.729 7.58 -0.5576 0.5894 4.684 -7.03 8.234 7.68 -5.4 0.981 3.535 0.09344 1.268 -1.304 -5.684 -0.4846 -6.05 8.49 -2.79 -5.48 0.12317 -7.4 -0.689 -1.389 2.855 -0.2129 -5.805 6.598 7.117 -7.05 2.176 5.195 -7.688 0.433 6.625 2.875 3.756 -0.03467 9.305 -9.52 4.676 -9.234 -2.443 -1.82 -1.768 4.082 6.77 5.805 -2.83 7.67 0.3452 5.34 -6.35 -9.945 3.943 8.46 -7.57 9.89 8.04 7.395 -8.82 6.96 -3.662 -5.89 0.2135 2.324 9.59 -2.607 6.457 -4.59 1.585 -3.146 -9.54 -9.41 -7.86 -2.256 -2.53 5.695 4.742 -9.77 8.77 5.027 6.387 -5.016 2.244 -8.53 8.83 9.68 4.703 9.93 -6.797 9.15 5.625 -3.648 2.355 2.459 7.605 -8.85 0.2162 -9.69 1.497 8.11 -1.618 9.48 -1.033 8.6 7.266 -6.582 0.3564 -4.953 4.2 -3.436 3.61 -6.28 5.938 -4.734 8.445 -5.39 7.582 -2.62 0.9937 -8.46 9.21 -6.906 -0.3364 1.008 -0.2114 7.01 -3.066 -2.021 ] 输出数据(dst_gm): [ 2.678 -2.373 -2.008 -5. -3.16 -8.484 -5.258 -0.744 -0.5576 -2.79 6.625 0.3452 9.59 6.387 0.2162 5.938 9.33 7.086 -8.56 4.44 -0.1744 -2.256 4.684 0.286 0.5894 -5.48 2.875 5.34 -2.607 -5.016 -9.69 -4.734 -3.406 -7.777 3.55 -0.7505 5.44 8.04 -9.195 -3.682 4.684 0.12317 3.756 -6.35 6.457 2.244 1.497 8.445 8.35 3.846 1.716 1.9375 -9.83 4.586 4.52 -4.355 -7.03 -7.4 -0.03467 -9.945 -4.59 -8.53 8.11 -5.39 -0.2708 9.73 7.348 -0.02312 1.03 -6.25 -0.6104 -0.1448 8.234 -0.689 9.305 3.943 1.585 8.83 -1.618 7.582 5.73 2.725 6.05 2.521 -3.535 7.457 9.23 -2.19 7.68 -1.389 -9.52 8.46 -3.146 9.68 9.48 -2.62 -5.562 6.867 9.57 3.154 5.26 0.3906 1.059 -6.49 -5.4 2.855 4.676 -7.57 -9.54 4.703 -1.033 0.9937 -9.445 -6.97 4.133 4.4 2.852 2.299 -3.293 9.31 0.981 -0.2129 -9.234 9.89 -9.41 9.93 8.6 -8.46 -4.387 -6.74 -2.629 1.726 6.77 4.023 4.13 -2.967 3.535 -5.805 -2.443 8.04 -7.86 -6.797 7.266 9.21 -2.959 1.559 1.766 7.984 7.66 2.389 7.67 -6.254 0.09344 6.598 -1.82 7.395 -2.256 9.15 -6.582 -6.906 9.875 -3.348 -9.59 8.32 4.668 5.938 -4.37 -8.27 1.268 7.117 -1.768 -8.82 -2.53 5.625 0.3564 -0.3364 7.062 3.78 -7.08 -2.715 6.367 -1.715 2.953 -0.507 -1.304 -7.05 4.082 6.96 5.695 -3.648 -4.953 1.008 -7.652 3.459 -3.045 9.73 -1.134 2.162 -1.045 -0.2869 -5.684 2.176 6.77 -3.662 4.742 2.355 4.2 -0.2114 2.914 7.113 -8.47 -8.875 6.074 -8.79 -6.01 2.22 -0.4846 5.195 5.805 -5.89 -9.77 2.459 -3.436 7.01 -6.78 -0.826 4.023 1.201 -6.887 -7.99 3.2 -0.729 -6.05 -7.688 -2.83 0.2135 8.77 7.605 3.61 -3.066 4.277 -1.306 4.117 -2.582 -8.45 -2.768 -9.805 7.58 8.49 0.433 7.67 2.324 5.027 -8.85 -6.28 -2.021 ]