下载
中文
注册
我要评分
文档获取效率
文档正确性
内容完整性
文档易理解
在线提单
论坛求助
昇腾小AI

BlockReduceSum

函数功能

对每个datablock内所有元素求和。源操作数相加采用二叉树方式,两两相加。归约指令的总体介绍请参考归约指令

以128个half类型的数据求和为例,每个datablock可以计算16个half类型数据,分成8个datablock进行计算;每个datablock内,通过二叉树的方式,两两相加,BlockReduceSum求和示意图如下。

图1 BlockReduceSum求和示意图

需要注意的是两两相加的计算过程中,计算结果大于65504时结果保存为65504。例如,源操作数为[60000,60000,-30000,100],首先60000+60000溢出,结果为65504,然后计算-30000+100=-29900,最后计算65504-29900=35604,计算示意图如下图所示。

图2 存在溢出场景时的计算示意图

函数原型

  • mask逐bit模式
    1
    2
    template <typename T, bool isSetMask = true>
    __aicore__ inline void BlockReduceSum (const LocalTensor<T>& dstLocal, const LocalTensor<T>& srcLocal,const int32_t repeat, const uint64_t mask[], const int32_t dstRepStride, const int32_t srcBlkStride,const int32_t srcRepStride)
    
  • mask连续模式
    1
    2
    template <typename T, bool isSetMask = true>
    __aicore__ inline void BlockReduceSum (const LocalTensor<T>& dstLocal, const LocalTensor<T>& srcLocal,const int32_t repeat, const int32_t maskCount, const int32_t dstRepStride, const int32_t srcBlkStride,const int32_t srcRepStride)
    

参数说明

表1 模板参数说明

参数名

描述

T

操作数数据类型。

isSetMask

是否在接口内部设置mask。

  • true,表示在接口内部设置mask。
  • false,表示在接口外部设置mask,开发者需要使用SetVectorMask接口设置mask值。这种模式下,本接口入参中的mask值必须设置为MASK_PLACEHOLDER。
表2 参数说明

参数名称

输入/输出

含义

dstLocal

输出

目的操作数。

类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。

LocalTensor的起始地址需要保证16字节对齐(针对half数据类型),32字节对齐(针对float数据类型)。

Atlas 训练系列产品,支持的数据类型为:half

Atlas推理系列产品AI Core,支持的数据类型为:half/float

Atlas A2训练系列产品/Atlas 800I A2推理产品,支持的数据类型为:half/float

Atlas 200/500 A2推理产品,支持的数据类型为:half/float

srcLocal

输入

源操作数。

类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。

LocalTensor的起始地址需要32字节对齐。

Atlas 训练系列产品,支持的数据类型为:half

Atlas推理系列产品AI Core,支持的数据类型为:half/float

Atlas A2训练系列产品/Atlas 800I A2推理产品,支持的数据类型为:half/float

Atlas 200/500 A2推理产品,支持的数据类型为:half/float

repeat

输入

迭代次数。取值范围为[0, 255]。

关于该参数的具体描述请参考通用参数说明

mask[2]/ maskCount

输入

mask用于控制每次迭代内参与计算的元素。

  • 连续模式:表示前面连续的多少个元素参与计算。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∈[1, 128];当操作数为32位时,mask∈[1, 64];当操作数为64位时,mask∈[1, 32]。
  • 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。

    例如,mask=[8, 0],8=0b1000,表示仅第4个元素参与计算。

    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]并且不同时为0;当操作数为32位时,mask[1]为0,mask[0]∈(0, 264-1];当操作数为64位时,mask[1]为0,mask[0]∈(0, 232-1]。

dstRepStride

输入

目的操作数相邻迭代间的地址步长。以一个repeat归约后的长度为单位。

每个repeat(8个datablock)归约后,得到8个元素,所以输入类型为half类型时,RepStride单位为16Byte;输入类型为float类型时,RepStride单位为32Byte。

注意,此参数值Atlas 训练系列产品不支持配置0。

srcBlkStride

输入

单次迭代内datablock的地址步长。详细说明请参考dataBlockStride(同一迭代内不同datablock的地址步长)

srcRepStride

输入

源操作数相邻迭代间的地址步长,即源操作数每次迭代跳过的datablock数目。详细说明请参考repeatStride(相邻迭代间相同datablock的地址步长)

返回值

支持的型号

Atlas 训练系列产品

Atlas推理系列产品AI Core

Atlas A2训练系列产品/Atlas 800I A2推理产品

Atlas 200/500 A2推理产品

注意事项

  • 为了节省地址空间,您可以定义一个Tensor,供源操作数与目的操作数同时使用(即地址重叠),需要注意计算后的目的操作数数据不能覆盖未参与计算的源操作数,需要谨慎使用。
  • 对于Atlas 200/500 A2推理产品,若配置的mask[2]/maskCount参数后,存在某个datablock里的任何一个元素都不参与计算,则该datablock内所有元素的和会填充为0返回。比如float场景下,当mask配置为32,即只计算前4个datablock,则后四个datablock内的和会返回0。
  • 操作数地址偏移对齐要求请参见通用约束

调用示例

  • 本样例中只展示Compute流程中的部分代码。如果您需要运行样例代码,请将该代码段拷贝并替换样例模板中Compute函数的部分代码即可。
    • BlockReduceSum-tensor高维切分计算样例-mask连续模式
      1
      2
      3
      4
      5
      6
      uint64_t mask = 256/sizeof(half);
      int repeat = 1;
      // repeat = 1, 128 elements one repeat, 128 elements total
      // srcBlkStride = 1, no gap between blocks in one repeat
      // dstRepStride = 1, srcRepStride = 8, no gap between repeats
      AscendC::BlockReduceSum<half>(dstLocal, srcLocal, repeat, mask, 1, 1, 8);
      
    • BlockReduceSum-tensor高维切分计算样例-mask逐bit模式
      1
      2
      3
      4
      5
      6
      uint64_t mask[2] = { UINT64_MAX, UINT64_MAX };
      int repeat = 1;
      // repeat = 1, 128 elements one repeat, 128 elements total
      // srcBlkStride = 1, no gap between blocks in one repeat
      // dstRepStride = 1, srcRepStride = 8, no gap between repeats
      AscendC::BlockReduceSum<half>(dstLocal, srcLocal, repeat, mask, 1, 1, 8);
      
    结果示例如下:
    输入数据(src_gm): 
    [-7.289, 4.48, -5.898, -6.199, 1.422, -6.168, -3.178, -1.198, 
     7.789, 6.754, -5.191, -0.6797, 2.883, 2.08, 8.664, -8.539,
     ...,
     -7.625, 2.529, 7.855, -2.012, -6.52, -6.652, -8.422, -9.914,
     -4.355, 1.849, 5.406, 1.483, -6.074, -1.897, 8.625, 1.969]  
    输出数据(dst_gm): 
    [-10.27, ..., -23.77, 0, ..., 0]
搜索结果
找到“0”个结果

当前产品无相关内容

未找到相关内容,请尝试其他搜索词