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

使用说明

Ascend C提供一组Matmul高阶API,方便用户快速实现Matmul矩阵乘法的运算操作。

Matmul的计算公式为:C = A * B + Bias,其示意图如下。

  • A、B为源操作数,A为左矩阵,形状为[M, K];B为右矩阵,形状为[K, N]。
  • C为目的操作数,存放矩阵乘结果的矩阵,形状为[M, N]。
  • Bias为矩阵乘偏置,形状为[1, N]。对A*B结果矩阵的每一行都采用该Bias进行偏置。
图1 Matmul矩阵乘示意图

下文中提及的M轴方向,即为A矩阵纵向;K轴方向,即为A矩阵横向或B矩阵纵向;N轴方向,即为B矩阵横向。

实现Matmul矩阵乘运算的具体步骤如下:

  1. 创建Matmul对象。
  2. 初始化操作。
  3. 设置左矩阵A、右矩阵B、Bias。
  4. 完成矩阵乘操作。
  5. 结束矩阵乘操作。
  1. 创建Matmul对象

    创建Matmul对象的示例如下:

    • CUBE_ONLY(只有矩阵计算)场景下,需要设置ASCENDC_CUBE_ONLY代码宏
    • 默认为MIX模式(包含矩阵计算和矢量计算),该场景下,不能设置ASCENDC_CUBE_ONLY代码宏
    // 纯cube模式(只有矩阵计算)场景下,需要设置该代码宏,并且必须在#include "lib/matmul_intf.h"之前设置
    // #define ASCENDC_CUBE_ONLY 
    #include "lib/matmul_intf.h"
    
    typedef matmul::MatmulType<AscendC::TPosition::GM, CubeFormat::ND, half> aType; 
    typedef matmul::MatmulType<AscendC::TPosition::GM, CubeFormat::ND, half> bType; 
    typedef matmul::MatmulType<AscendC::TPosition::GM, CubeFormat::ND, float> cType; 
    typedef matmul::MatmulType<AscendC::TPosition::GM, CubeFormat::ND, float> biasType; 
    matmul::Matmul<aType, bType, cType, biasType> mm; 

    创建对象时需要传入A、B、C、Bias的参数类型信息, 类型信息通过MatmulType来定义,包括:内存逻辑位置、数据格式、数据类型。

    template <AscendC::TPosition POSITION, CubeFormat FORMAT, typename TYPE, bool ISTRANS = false, LayoutMode LAYOUT = LayoutMode::NONE, bool IBSHARE = false> struct MatmulType {
        constexpr static AscendC::TPosition pos = POSITION;
        constexpr static CubeFormat format = FORMAT;
        using T = TYPE;
        constexpr static bool isTrans = ISTRANS;
        constexpr static LayoutMode layout = LAYOUT;
        constexpr static bool ibShare = IBSHARE;
    };
    表1 MatmulType参数说明

    参数

    说明

    POSITION

    内存逻辑位置

    针对Atlas A2训练系列产品/Atlas 800I A2推理产品

    • A矩阵可设置为TPosition::GM,TPosition::VECOUT,TPosition::TSCM
    • B矩阵可设置为TPosition::GM,TPosition::VECOUT,TPosition::TSCM
    • Bias可设置为TPosition::GM,TPosition::VECOUT,TPosition::TSCM
    • C矩阵可设置为TPosition::GM,TPosition::VECIN

    针对Atlas推理系列产品AI Core

    • A矩阵可设置为TPosition::GM,TPosition::VECOUT
    • B矩阵可设置为TPosition::GM,TPosition::VECOUT
    • Bias可设置为TPosition::GM,TPosition::VECOUT
    • C矩阵可设置为TPosition::GM,TPosition::VECIN

    针对Atlas 200/500 A2推理产品

    • A矩阵可设置为TPosition::GM,TPosition::VECOUT,TPosition::TSCM
    • B矩阵可设置为TPosition::GM,TPosition::VECOUT,TPosition::TSCM
    • C矩阵可设置为TPosition::GM,TPosition::VECIN
    • Bias可设置为TPosition::GM,TPosition::VECOUT

    CubeFormat

    针对Atlas A2训练系列产品/Atlas 800I A2推理产品

    • A矩阵可设置为CubeFormat::ND,CubeFormat::NZ
    • B矩阵可设置为CubeFormat::ND,CubeFormat::NZ
    • Bias可设置为CubeFormat::ND
    • C矩阵可设置为CubeFormat::ND,CubeFormat::NZ,CubeFormat::ND_ALIGN

    针对Atlas推理系列产品AI Core

    • A矩阵可设置为CubeFormat::ND,CubeFormat::NZ
    • B矩阵可设置为CubeFormat::ND,CubeFormat::NZ
    • Bias可设置为CubeFormat::ND
    • C矩阵可设置为CubeFormat::ND,CubeFormat::NZ,CubeFormat::ND_ALIGN

    TYPE

    针对Atlas A2训练系列产品/Atlas 800I A2推理产品
    • A矩阵可设置为half、float、bfloat16_t 、int8_t、int4b_t
    • B矩阵可设置为half、float、bfloat16_t 、int8_t、int4b_t
    • Bias可设置为half、float、int32_t
    • C矩阵可设置为half、float、bfloat16_t、int32_t、int8_t

    针对Atlas推理系列产品AI Core

    • A矩阵可设置为half、int8_t
    • B矩阵可设置为half、int8_t
    • Bias可设置为float、int32_t
    • C矩阵可设置为half、float、int8_t、int32_t

    针对Atlas 200/500 A2推理产品

    • A矩阵可设置为half、float、bfloat16_t 、int8_t
    • B矩阵可设置为half、float、bfloat16_t 、int8_t
    • Bias矩阵可设置为half、float、int32_t
    • C矩阵可设置为half、float、bfloat16_t、int32_t

    注意:A矩阵和B矩阵数据类型需要一致,具体数据类型组合关系请参考表2

    ISTRANS

    是否开启使能矩阵转置的功能。

    • true为开启使能矩阵转置的功能,开启后,分别通过SetTensorASetTensorB中的isTransposeA、isTransposeB参数设置A、B矩阵是否转置。若设置A、B矩阵转置,Matmul会认为A矩阵形状为[K, M],B矩阵形状为[N, K]。
    • false为不开启使能矩阵转置的功能,通过SetTensorASetTensorB不能设置A、B矩阵是否转置。Matmul会认为A矩阵形状为[M, K],B矩阵形状为[K, N]。

    默认为false不使能转置。

    LAYOUT

    表征数据的排布

    NONE:默认值,表示不使用BatchMatmul;其他选项表示使用BatchMatmul。

    NORMAL:BMNK的数据排布格式。

    BSNGD:原始BSH shape做reshape后的数据排布,具体可参考IterateBatch中对该数据排布的介绍。

    SBNGD:原始SBH shape做reshape后的数据排布,具体可参考IterateBatch中对该数据排布的介绍。

    BNGS1S2:一般为前两种数据排布进行矩阵乘的输出,S1S2数据连续存放,一个S1S2为一个batch的计算数据。

    IBSHARE

    是否使能IBShare。IBShare的功能是能够复用L1上相同的A矩阵或B矩阵数据。当A矩阵和B矩阵同时使能IBShare时,表示L1上的A矩阵和B矩阵同时复用,此时只支持Norm模板。

    除A、B矩阵同时复用的场景外,与Matmul模板参数中的IBShare模板配合使用,具体参数设置详见表2

    表2 Matmul输入输出数据类型的组合说明

    A矩阵

    B矩阵

    Bias

    C矩阵

    支持平台

    float

    float

    float/half

    float

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas 200/500 A2推理产品

    half

    half

    float

    float

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas推理系列产品AI Core
    • Atlas 200/500 A2推理产品

    half

    half

    half

    float

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas 200/500 A2推理产品

    int8_t

    int8_t

    int32_t

    int32_t/half

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas推理系列产品AI Core
    • Atlas 200/500 A2推理产品

    int4b_t

    int4b_t

    int32_t

    int32_t/half

    • Atlas A2训练系列产品/Atlas 800I A2推理产品

    bfloat16_t

    bfloat16_t

    float

    float

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas 200/500 A2推理产品

    bfloat16_t

    bfloat16_t

    half

    float

    • Atlas A2训练系列产品/Atlas 800I A2推理产品

    half

    half

    float

    int8_t

    • Atlas A2训练系列产品/Atlas 800I A2推理产品

    bfloat16_t

    bfloat16_t

    float

    int8_t

    • Atlas A2训练系列产品/Atlas 800I A2推理产品

    int8_t

    int8_t

    int32_t

    int8_t

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas推理系列产品AI Core

    half

    half

    float

    half

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas推理系列产品AI Core
    • Atlas 200/500 A2推理产品

    half

    half

    half

    half

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas 200/500 A2推理产品

    bfloat16_t

    bfloat16_t

    float

    bfloat16_t

    • Atlas A2训练系列产品/Atlas 800I A2推理产品
    • Atlas 200/500 A2推理产品
  2. 初始化操作。
    REGIST_MATMUL_OBJ(&pipe, GetSysWorkSpacePtr(), mm, &tiling);
  3. 设置左矩阵A、右矩阵B、Bias。
    mm.SetTensorA(gm_a);    // 设置左矩阵A
    mm.SetTensorB(gm_b);    // 设置右矩阵B
    mm.SetBias(gm_bias);    // 设置Bias
    
    // Atlas推理系列产品AI Core上需要额外调用SetLocalWorkspace接口设置计算所需的UB空间
    mm.SetLocalWorkspace(ubBuf);
  4. 完成矩阵乘操作。
    • 调用Iterate完成单次迭代计算,叠加while循环完成单核全量数据的计算。Iterate方式,可以自行控制迭代次数,完成所需数据量的计算,方式比较灵活。
      while (mm.Iterate()) {   
          mm.GetTensorC(gm_c); 
      }
    • 调用IterateAll完成单核上所有数据的计算。IterateAll方式,无需循环迭代,使用比较简单。
      mm.IterateAll(gm_c);
  5. 结束矩阵乘操作。
    mm.End();
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