固定输入/输出顺序的算子json配置
json配置说明
固定输入/输出顺序的算子json配置文件中“inputs”和“outputs”参数按照“输入/输出规则排布”,所以要求Kernel入口函数的参数也是按照该规则排布。
- 输入/输出规则排布(所有输出参数排布在输入参数之后):例如Kernel入口函数的参数排布为extern "C" __global__ __aicore__ void add_custom( GM_ADDR input1, GM_ADDR input2,uint32_t input3, GM_ADDR output)
- 标准自定义算子工程场景、ops_adv工程场景的开发人员一般按此方式配置算子json文件。
- 以AddCustom算子为例(非原地算子),对应的json配置示例如下,参数说明参见表1。
{ "op_type": "AddCustom", "data_script": "./add_golden.py", "gen_data": true, "inputs": [ { "name": "x", "dtype": "int32", "format": "ND", "ignore": false, "shape": [32], "param_type": "required", "data_file": "x.bin" }, { "name": "y", "dtype": "int32", "format": "ND", "ignore": false, "shape": [32], "param_type": "required", "data_file": "y.bin" } ], "outputs": [ { "name": "z", "dtype": "int32", "format": "ND", "ignore": false, "shape": [32], "param_type": "required", "data_file": "z.bin" } ], "attrs": [ { "name": "mask", "dtype": "list_int", "value": [0,0] }, { "name": "repeatTimes", "dtype": "int", "value": 1 }, { "name": "dstBlkStride", "dtype": "int", "value": 1 }, { "name": "src0BlkStride", "dtype": "int", "value": 1 }, { "name": "src1BlkStride", "dtype": "int", "value": 1 }, { "name": "dstRepStride", "dtype": "int", "value": 8 }, { "name": "src0RepStride", "dtype": "int", "value": 8 }, { "name": "src1RepStride", "dtype": "int", "value": 8 }, { "name": "calCount", "dtype": "int", "value": 3 }, { "name": "memory", "dtype": "int", "value": 0 } ] }
- 以AddCustom算子为例(原地算子),对应的json配置示例如下,参数说明参见表1。
{ "op_type": "AbsCustom", "gen_data": true, "inputs": [ { "name": "x", "dtype": "float16", "format": "ND", "ignore": false, "shape": [32], "param_type": "required", "data_file": "x.bin" } ], "outputs": [ { "name": "x", "dtype": "float16", "format": "ND", "ignore": false, "shape": [32], "param_type": "required", "data_file": "ref_x.bin" } ], "attrs": [ { "name": "size", "dtype": "int", "value": 2 }, { "name": "mask", "dtype": "list_int", "value": [1,1] }, { "name": "repeatTimes", "dtype": "int", "value": 1 }, { "name": "dstBlockStride", "dtype": "int", "value": 1 }, { "name": "srcBlockStride", "dtype": "int", "value": 1 }, { "name": "dstRepeatStride", "dtype": "int", "value": 8 }, { "name": "srcRepeatStride", "dtype": "int", "value": 8 }, { "name": "srcRepeatStride", "dtype": "int", "value": 8 }, { "name": "dataSize", "dtype": "int", "value": 128 }, { "name": "memory", "dtype": "int", "value": 0 } ] }
配置项 |
数据类型 |
参数说明 |
取值说明 |
是否必选 |
|
---|---|---|---|---|---|
op_type |
string |
算子名。 |
与待调测算子严格匹配。 |
是 |
|
data_script |
string |
数据生成脚本(python),用于生成输入和标杆数据。 |
根据实际情况设置,如"/home/flash_attention_golden.py"。
说明:
若无数据生成脚本,填写空字符或null。 |
否 |
|
gen_data |
bool |
是否根据data_script生成输入和标杆数据。 |
|
是 |
|
inputs / outputs |
name |
string |
核函数输入/输出的参数名。 |
根据实际情况设置(若通过算子二进制模板文件生成,不建议修改)。 |
是 |
dtype |
string |
输入/输出的数据类型。 |
目前支持bool、int、int8、int16、int32、int64、uint8、uint16、uint32、uint64、float16、float32、float64、bfloat16。
说明:
算子json配置时dtype仅允许输入一种数据类型,不支持多种数据类型。 |
是 |
|
format |
string |
输入/输出的存储格式。 |
支持的数据格式有ND、NZ。 |
是 |
|
shape |
list |
输入/输出的shape。 |
根据算子实际shape填写,例如[24,20,144,8]。
说明:
当输入为Scalar时,shape填null。 |
是 |
|
ignore |
bool |
是否忽略该输入/输出。 |
|
否 |
|
param_type |
string |
是否必选该输入/输出。 |
|
是 |
|
data_file |
string |
|
根据实际情况设置数据bin文件路径,必须为绝对路径,例如"/home/data.bin"。
说明:
|
否 |
|
data_value |
由dtype确定 |
输入的Scalar值。 |
根据实际情况填写。
说明:
|
否 |
|
attrs |
name |
string |
算子的属性名,是区分每个算子的唯一标识,不可重复。 |
部分场景允许没有attrs,请根据实际情况填写。 |
是 |
dtype |
string |
数据类型。 |
是 |
||
value |
可变 |
属性值。 |
是 |
特殊格式输入
- 场景1:支持Scalar格式的输入。
当输入为Scalar格式,json中“inputs”配置项中删除data_file,shape配为null,data_value配为指定的标量值。
{ "op_type": "xxxx", "data_script": "", "gen_data": false, "inputs": [{ "name": "tileNumIn", "dtype": "uint32", "param_type": "required", ...... "shape": null, "data_value": 8 }] ...... }
- 场景2:支持TensorList格式的输入。
当输入为TensorList格式,该参数需要用[ ]表示,List中的每一项表示一个Tensor,示例如下:
{ "op_type": "xxxx", "data_script": "", "gen_data": false, "inputs": # 输入为tensor list [{ "name": "key0", "dtype": "float16", "format": "ND", "ignore": false, "shape": [1,5,8192,128], "param_type": "required", "data_file": "/home/data/input/k_0.bin" },{ "name": "key1", "dtype": "float16", "format": "ND", "ignore": false, "shape": [1,5,8192,128], "param_type": "required", "data_file": "/home/data/input/k_1.bin" }], ], ...... }