算子Tiling初步设计
Tiling策略的模拟体现在算子功能函数的for循环中,进行切分时,需确保每次for循环处理的数据量相同。
文档中的Ascendxxxyy需替换为实际使用的芯片类型。
具体操作
以matmul算子为例,该用例表示模拟一个大矩阵被切分成小矩阵进行矩阵乘计算。需根据用户算子逻辑方案实现算子功能函数。Tiling策略的模拟体现在算子功能函数的for循环中(以下代码中加粗部分),例如单核处理[160, 240]和[240, 80]的矩阵乘,切割为25个[32, 48], [48, 16]的小矩阵分批处理,就需要for循环125次并每次创建大小为[32, 48], [48, 16]的Tensor矩阵(在GM上)。
from mskpp import mmad, Tensor, Chip def my_mmad(gm_x, gm_y, gm_z): # 矩阵乘的基本数据通路: # 左矩阵A:GM-L1-L0A # 右矩阵B:GM-L1-L0B # 结果矩阵C: L0C(初始化)-GM l1_x = Tensor("L1") l1_y = Tensor("L1") l1_x.load(gm_x) l1_y.load(gm_y) x = Tensor("L0A") y = Tensor("L0B") x.load(l1_x) y.load(l1_y) z = Tensor("L0C", "FP32", [32, 16], format="NC1HWC0") out = mmad(x, y, z, True)() # 对于输出需要返回传出 z = out[0] return z if __name__ == '__main__': with Chip("Ascendxxxyy") as chip: chip.enable_trace() # 使能算子模拟流水图的功能,生成trace.json文件 chip.enable_metrics() # 使能单指令及分PIPE的流水信息,生成Instruction_statistic.csv和Pipe_statistic.csv文件 # 这里进入了对数据切分逻辑的处理,对一大块GM的数据,如何经过拆分成小数据分批次搬入,如何对 # 内存进行分片多buffer搬运,都是属于tiling策略的范畴,这里模拟了单buffer情况, # 将[160, 240]和[240, 80]的矩阵乘,切割为25个[32, 48], [48, 16]的小矩阵分批次进行运算的一个tiling策略 for _ in range(125): in_x = Tensor("GM", "FP16", [32, 48], format="ND") in_y = Tensor("GM", "FP16", [48, 16], format="ND") in_z = Tensor("GM", "FP32", [32, 16], format="NC1HWC0") out_z = my_mmad(in_x, in_y, in_z) in_z.load(out_z)
父主题: 算子设计(msKPP)