快速入门

对于核函数直调工程算子开发场景，调测流程如图1所示，支持的调测功能有Tiling调测、CPU孪生调试、NPU编译生成kernel bin文件、NPU上板精度比对、NPU上板Profiling数据采集、性能仿真流水图等。

图1 核函数直调工程场景API调用流程

环境准备的具体步骤参见环境准备。
完成核函数代码开发。
准备好输入数据和标杆数据。可使用用户自行提供的bin格式数据文件，也可使用torch/numpy生成Tensor数据（具体参见API方式下数据准备说明）。

构建算子信息。

调用ascendebug.create_debug_op接口构造算子DebugOp对象，并设置输入/输出信息，示例如下：

import torch
import numpy as np
import ascendebug

# 生成输入/标杆数据,并构建算子信息
x = torch.rand(size=(1, 16384), dtype=torch.float16)
y = torch.rand(size=(1, 16384), dtype=torch.float16)
z = x + y
debug_op = ascendebug.create_debug_op('add_custom', 'VectorCore', '${chip_version}') \
        .scalar_input('tileNumIn', 'uint32', 10) \
        .tensor_input('x', x) \
        .tensor_input('y', y) \
        .tensor_output('z', z)

创建算子调试器对象，示例如下：

op_executor = ascendebug.create_op_executor(debug_op=debug_op, work_dir='./debug_workspace', install_path='/usr/local/Ascend')

构造调测接口输入参数，调用调测API接口，此处以NPU调测功能为例。

kernel_info = ascendebug.OpKernelInfo("/path_to/add_custom.cpp", 'add_custom', [])
npu_option = ascendebug.CompileNpuOptions()
kernel_name, kernel_file, extern = op_executor.compile_call_kernel_npu(kernel_info, npu_option)

run_npu_options = ascendebug.RunNpuOptions(block_num=32)
npu_compile_info = ascendebug.NpuCompileInfo(syncall=extern['cross_core_sync'], task_ration=extern['task_ration'])
op_executor.run_npu(kernel_file, npu_options=run_npu_options, npu_compile_info=npu_compile_info)

使用的API接口列表

调测使用的API	说明
ascendctools.create_debug_op	根据输入的op_type、core_type等信息构造DebugOp对象，管理算子相关描述信息。
ascendctools.create_op_executor	构建调测对象，完成工作空间初始化，设置环境变量等调测相关的操作。
ascendctools.OpExecutor.run_call_kernel_cpu	核函数直调工程场景的算子CPU侧编译和运行接口。
ascendctools.OpExecutor.compile_call_kernel_npu	核函数直调工程场景的算子NPU侧编译接口。
ascendctools.OpExecutor.run_npu	通用的算子NPU上板运行接口。
ascendctools.OpExecutor.run_camodel	通用的CAModel运行接口。
ascendctools.OpExecutor.run_profiling	通用的Profiling运行接口。

父主题： 核函数直调工程场景的算子调测示例