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。

1. 环境准备的具体步骤参见环境准备。
2. 完成核函数代码开发。
3. 准备好输入数据和标杆数据。可使用现成的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）。
4. 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', 'Ascendxxx') \
           .scalar_input('tileNumIn', 'uint32', 10) \
           .tensor_input('x', x) \
           .tensor_input('y', y) \
           .tensor_output('z', z)

5. 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')

6. 构造输入参数，调用调测API，以NPU调测接口为例。

   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)