单算子性能仿真流水图

本场景以AddCustom算子为例，假设输入数据和标杆数据是用户自行提供的bin文件，CAModel仿真调测过程如下。请根据自身实际情况，按需修改示例代码。

import torch
import numpy as np
import ascendebug

# 设置和清理日志文件
ascendebug.set_log_file('test.log', clean=True)

# 1.导入输入/标杆数据，构建算子信息
debug_op = ascendebug.create_debug_op('AddCustom', 'VectorCore', 'Ascendxxx') \
	.custom_input('x', 'int32', [32], '/data_path/x.bin') \
	.custom_input('y', 'int32', [32], '/data_path/y.bin') \
	.custom_output('z', 'int32', [32], '/data_path/z.bin') \
	.attr('mask', 'list_int', [0,0]) \
	.attr('repeatTimes', 'int', 1) \
	.attr('dstBlkStride', 'int', 1) \
	.attr('src0BlkStride', 'int', 1) \
	.attr('src1BlkStride', 'int', 1) \
	.attr('dstRepStride', 'int', 8) \
	.attr('src0RepStride', 'int', 8) \
	.attr('src1RepStride', 'int', 8) \
	.attr('calCount', 'int', 3) \
	.attr('memory', 'int', 0)

# 2.创建调试对象并初始化工作空间
install_pkg = "/usr/local/Ascend/"
customize_path = "/usr/local/Ascend/latest/opp/vendors/add_custom"
op_executor = ascendebug.create_op_executor(debug_op=debug_op, install_path=install_pkg)

# 3.调用Tiling调测接口（可选，若已有Tiling bin文件可跳过本步骤）
tiling_info = op_executor.run_custom_tiling(customize_path)

# 4.调用NPU编译接口
compile_npu_options = ascendebug.CompileNpuOptions(simulator=True)
name, kernel_file, extern = op_executor.compile_custom_npu(customize_path, tiling_info.tiling_key, compile_npu_options)

# 5.调用CAModel运行接口，生成算子仿真流水图
# CAModel仿真运行算子一般比较耗时，建议将block_num设置为1，timeout取值适当调大
npu_compile_info = ascendebug.NpuCompileInfo(syncall=extern['cross_core_sync'], task_ration=extern['task_ration'])
run_simulator_options = ascendebug.RunSimuOptions(block_num=1, timeout=1200)
op_executor.run_camodel(kernel_file, run_simulator_options, npu_compile_info=npu_compile_info, tiling_info=tiling_info)

CAModel的性能仿真结果和流水图示例可以参见“CAModel性能仿真 > 调测产物”。