aclnnLayerNorm&aclnnLayerNormWithImplMode
支持的产品型号
- Atlas 训练系列产品。
- Atlas A2训练系列产品/Atlas 800I A2推理产品。
- Atlas 200/500 A2推理产品。
接口原型
每个算子分为两段式接口，必须先调用“aclnnLayerNormGetWorkspaceSize”或者“aclnnLayerNormWithImplModeGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnLayerNorm”或者“aclnnLayerNormWithImplMode”接口执行计算。
aclnnStatus aclnnLayerNormGetWorkspaceSize(const aclTensor *input, const aclIntArray *normalizedShape, const aclTensor *weightOptional, const aclTensor *biasOptional, double eps, aclTensor *out, aclTensor *meanOutOptional, aclTensor *rstdOutOptional, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnLayerNorm(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)aclnnStatus aclnnLayerNormWithImplModeGetWorkspaceSize(const aclTensor *input, const aclIntArray *normalizedShape, const aclTensor *weightOptional, const aclTensor *biasOptional, double eps, aclTensor *out, aclTensor *meanOutOptional, aclTensor *rstdOutOptional, int32_t implMode, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnLayerNormWithImplMode(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)
功能描述
- 算子功能：对指定层进行均值为0、标准差为1的归一化计算。
- 计算公式：
其中，E[input]表示输入的均值，Var[input]表示输入的方差。
aclnnLayerNormGetWorkspaceSize
参数说明：
input(aclTensor*，计算输入)：公式中的输入
x，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持）。shape为[A1,...,Ai,R1,...,Rj]，其中A1至Ai表示无需norm的维度，R1至Rj表示需norm的维度。支持非连续的Tensor，数据格式支持ND。normalizedShape(aclIntArray*，计算输入)：表示需要进行norm计算的维度，数据类型支持INT64，shape为[R1,...,Rj], 长度小于等于输入input的长度，不支持为空。
weightOptional(aclTensor*，计算输入)：公式中的输入
w，可选参数。weightOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输入input一致或为FLOAT类型，且当biasOptional存在时weightOptional与biasOptional的数据类型相同。shape与normalizedShape相等，为[R1,...,Rj]。支持非连续的Tensor，数据格式支持ND。weightOptional为空时，需要构造一个shape为[R1,...,Rj]，数据全为1的tensor，当biasOptional存在时weightOptional与biasOptional的数据类型相同，biasOptional不存在时weightOptional与输入input的数据类型相同。biasOptional(aclTensor*，计算输入)：公式中的输入
b，可选参数。biasOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输入input一致或为FLOAT类型，且当weightOptional存在时biasOptional与weightOptional的数据类型相同。shape与normalizedShape相等，为[R1,...,Rj]。支持非连续的Tensor，数据格式支持ND。biasOptional为空时，需要构造一个shape为[R1,...,Rj]，数据全为0的tensor，当weightOptional存在时biasOptional与weightOptional的数据类型相同，weightOptional不存在时biasOptional与输入input的数据类型相同。eps(double，计算输入)：公式中的输入
eps，用于规避除零计算，数据类型支持DOUBLE, 且需要可转换成与input相同的数据类型。out(aclTensor*，计算输出)：公式中的输出
out，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品支持）。shape需要与input的shape相等，为[A1,...,Ai,R1,...,Rj]。支持非连续的Tensor，数据格式支持ND。meanOutOptional(aclTensor*，计算输出)：可选参数，meanOutOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输出out一致或为FLOAT类型。当rstdOutOptional存在时与rstdOutOptional的数据类型和shape相同，shape为[A1,...,Ai,1,...,1]，Ai后共有j个1，与需要norm的轴长度保持相同。支持非连续的Tensor，数据格式支持ND。
rstdOutOptional(aclTensor*，计算输出)：可选参数，rstdOutOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输出out一致或为FLOAT类型。当meanOutOptional存在时与meanOutOptional的数据类型和shape相同，shape为[A1,...,Ai,1,...,1]，Ai后共有j个1，与需要norm的轴长度保持相同。支持非连续的Tensor，数据格式支持ND。
workspaceSize(uint64_t*, 出参)：返回需要在Device侧申请的workspace大小。
executor(aclOpExecutor**, 出参)：返回op执行器，包含了算子计算流程。
返回值：
aclnnStatus：返回状态码，具体参见aclnn返回码。
161001 (ACLNN_ERR_PARAM_NULLPTR): 1. 传入的input、normalizedShape或out为空指针。
161002 (ACLNN_ERR_PARAM_INVALID): 1. input、normalizedShape、weightOptional（非空时）、biasOptional（非空时）、out、meanOutOptional（非空时）、rstdOutOptional（非空时），shape的维度超过8维。
2. input、weightOptional（非空时）、biasOptional（非空时）、out、meanOutOptional（非空时）、rstdOutOptional（非空时），数据类型不在支持的范围内。
3. normalizedShape维度小于1维。
4. weightOptional非空且shape与normalizedShape不相等。
5. biasOptional非空且shape与normalizedShape不相等。
6. input的维度小于normalizedShape的维度。
7. input的shape与normalizedShape右对齐时对应维度shape不相等。aclnnLayerNorm
参数说明：
workspace(void*, 入参)：在Device侧申请的workspace内存地址。
workspaceSize(uint64_t, 入参)：在Device侧申请的workspace大小，由第一段接口aclnnLayerNormGetWorkspaceSize获取。
executor(aclOpExecutor*, 入参)：op执行器，包含了算子计算流程。
stream(aclrtStream, 入参)：指定执行任务的AscendCL Stream流。
返回值：
aclnnStatus：返回状态码，具体参见aclnn返回码。
aclnnLayerNormWithImplModeGetWorkspaceSize
参数说明：
input(aclTensor*，计算输入)：公式中的输入
x，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持）。shape为[A1,...,Ai,R1,...,Rj]，其中A1至Ai表示无需norm的维度，R1至Rj表示需norm的维度。支持非连续的Tensor，数据格式支持ND。normalizedShape(aclIntArray*，计算输入)：表示需要进行norm计算的维度，数据类型支持INT64，shape为[R1,...,Rj], 长度小于等于输入input的长度，不支持为空。
weightOptional(aclTensor*，计算输入)：公式中的输入
w，可选参数。weightOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输入input一致或为FLOAT类型，且当biasOptional存在时与biasOptional的数据类型相同。shape与normalizedShape相等，为[R1,...,Rj]。支持非连续的Tensor，数据格式支持ND。weightOptional为空时，需要构造一个shape为[R1,...,Rj]，数据全为1的tensor，当biasOptional存在时与biasOptional的数据类型相同，biasOptional不存在时与输入input的数据类型相同。biasOptional(aclTensor*，计算输入)：公式中的输入
b，可选参数。biasOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输入input一致或为FLOAT类型，且当weightOptional存在时与weightOptional的数据类型相同。shape与normalizedShape相等，为[R1,...,Rj]。支持非连续的Tensor，数据格式支持ND。biasOptional为空时，需要构造一个shape为[R1,...,Rj]，数据全为0的tensor，当weightOptional存在时与weightOptional的数据类型相同，weightOptional不存在时与输入input的数据类型相同。eps(double，计算输入)：公式中的输入
eps，用于规避除零计算，数据类型支持DOUBLE, 且需要可转换成与input相同的数据类型。out(aclTensor*，计算输出)：公式中的输出
out，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品支持）。shape需要与input的shape相等，为[A1,...,Ai,R1,...,Rj]。支持非连续的Tensor，数据格式支持ND。meanOutOptional(aclTensor*，计算输出)：可选参数，meanOutOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输出out一致或为FLOAT类型。当rstdOutOptional存在时与rstdOutOptional的数据类型和shape相同，shape为[A1,...,Ai,1,...,1]，Ai后共有j个1，与需要norm的轴长度保持相同。支持非连续的Tensor，数据格式支持ND。
rstdOutOptional(aclTensor*，计算输出)：可选参数，rstdOutOptional非空时，数据类型支持FLOAT、FLOAT16、BFLOAT16（仅Atlas A2训练系列产品/Atlas 800I A2推理产品、Atlas 200/500 A2推理产品支持），数据类型与输出out一致或为FLOAT类型。当meanOutOptional存在时与meanOutOptional的数据类型和shape相同，shape为[A1,...,Ai,1,...,1]，Ai后共有j个1，与需要norm的轴长度保持相同。支持非连续的Tensor，数据格式支持ND。
implMode(int32_t, 计算输入)：精度模式，用于指定kernel选择对应的计算模式，默认实现为高精度模式(0), 高性能模式分为高性能模式(1)/保持FLOAT16计算模式(2)，高性能模式谨慎使用，有精度损失，保持FLOAT16计算模式仅支持所有输入同时为FLOAT16，且计算精度最低。
workspaceSize(uint64_t*, 出参)：返回需要在Device侧申请的workspace大小。
executor(aclOpExecutor**, 出参)：返回op执行器，包含了算子计算流程。
返回值：
aclnnStatus：返回状态码，具体参见aclnn返回码。
161001 (ACLNN_ERR_PARAM_NULLPTR): 1. 传入的input、normalizedShape或out为空指针。
161002 (ACLNN_ERR_PARAM_INVALID): 1. input、normalizedShape、weightOptional非空、biasOptional非空、out、meanOutOptional非空或rstdOutOptional非空时的shape超过8维。
2. input、weightOptional非空、biasOptional非空、out、meanOut非空或rstdOut非空时的数据类型不在支持的范围内。
3. normalizedShape维度小于1维。
4. weightOptional非空且shape与normalizedShape不相等。
5. biasOptional非空且shape与normalizedShape不相等。
6. input的维度小于normalizedShape的维度。
7. input的shape与normalizedShape右对齐时对应维度shape不相等。
8. implMode的取值不在0，1和2范围内。
9. implMode的取值为2且输入的数据类型不全部为FLOAT16。aclnnLayerNormWithImplMode
参数说明：
workspace(void*, 入参)：在Device侧申请的workspace内存地址。
workspaceSize(uint64_t, 入参)：在Device侧申请的workspace大小，由第一段接口aclnnLayerNormWithImplModeGetWorkspaceSize获取。
executor(aclOpExecutor*, 入参)：op执行器，包含了算子计算流程。
stream(aclrtStream, 入参)：指定执行任务的AscendCL Stream流。
返回值：
aclnnStatus：返回状态码，具体参见aclnn返回码。
约束与限制
无。
调用示例1
示例代码如下，仅供参考，具体编译和执行过程请参考编译与运行样例。
#include <iostream>
#include <vector>
#include "acl/acl.h"
#include "aclnnop/aclnn_layer_norm.h"
#define CHECK_RET(cond, return_expr) \
do { \
if (!(cond)) { \
return_expr; \
} \
} while (0)
#define LOG_PRINT(message, ...) \
do { \
printf(message, ##__VA_ARGS__); \
} while (0)
int64_t GetShapeSize(const std::vector<int64_t>& shape) {
int64_t shapeSize = 1;
for (auto i : shape) {
shapeSize *= i;
}
return shapeSize;
}
int Init(int32_t deviceId, aclrtStream* stream) {
auto ret = aclInit(nullptr);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
ret = aclrtSetDevice(deviceId);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
ret = aclrtCreateStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret);
return 0;
}
template <typename T>
int CreateAclTensorMem(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr) {
auto size = GetShapeSize(shape) * sizeof(T);
auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
return 0;
}
template <typename T>
void aclCreateTensorP(const std::vector<T>& shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) {
std::vector<int64_t> strides(shape.size(), 1);
for (int64_t i = shape.size() - 2; i >= 0; i--) {
strides[i] = shape[i + 1] * strides[i + 1];
}
*tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
shape.data(), shape.size(), *deviceAddr);
}
template <typename T>
void aclCreateIntArrayP(const std::vector<T>& hostData, aclIntArray** intArray) {
*intArray = aclCreateIntArray(hostData.data(), hostData.size());
}
int main() {
int32_t deviceId = 0;
aclrtStream stream;
auto ret = Init(deviceId, &stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);
std::vector<int64_t> xShape = {1, 2, 32};
std::vector<int64_t> normShape = {32};
std::vector<int64_t> meanShape = {1, 2, 1};
void* xDeviceAddr = nullptr;
void* weightDeviceAddr = nullptr;
void* biasDeviceAddr = nullptr;
void* outDeviceAddr = nullptr;
void* meanDeviceAddr = nullptr;
void* rstdDeviceAddr = nullptr;
aclTensor* x = nullptr;
aclIntArray* norm = nullptr;
aclTensor* weight = nullptr;
aclTensor* bias = nullptr;
aclTensor* out = nullptr;
aclTensor* mean = nullptr;
aclTensor* rstd = nullptr;
std::vector<float> xHostData(64, 2.0);
std::vector<int64_t> normData = {32};
std::vector<float> weightHostData(32, 1.0);
std::vector<float> biasHostData(32, 0.0);
std::vector<float> outHostData(64, 0.0);
std::vector<float> meanHostData(2, 0.0);
std::vector<float> rstdHostData(2, 0.0);
double eps = 1e-5;
ret = CreateAclTensorMem(xHostData, xShape, &xDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
ret = CreateAclTensorMem(weightHostData, normShape, &weightDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
ret = CreateAclTensorMem(biasHostData, normShape, &biasDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
ret = CreateAclTensorMem(outHostData, xShape, &outDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
ret = CreateAclTensorMem(meanHostData, meanShape, &meanDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
ret = CreateAclTensorMem(rstdHostData, meanShape, &rstdDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
aclCreateTensorP(xShape, &xDeviceAddr, aclDataType::ACL_FLOAT, &x);
aclCreateIntArrayP(normData, &norm);
aclCreateTensorP(normShape, &weightDeviceAddr, aclDataType::ACL_FLOAT, &weight);
aclCreateTensorP(normShape, &biasDeviceAddr, aclDataType::ACL_FLOAT, &bias);
aclCreateTensorP(xShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out);
aclCreateTensorP(meanShape, &meanDeviceAddr, aclDataType::ACL_FLOAT, &mean);
aclCreateTensorP(meanShape, &rstdDeviceAddr, aclDataType::ACL_FLOAT, &rstd);
uint64_t workspaceSize = 0;
aclOpExecutor* executor;
ret = aclnnLayerNormGetWorkspaceSize(x, norm, weight, bias, eps, out, mean, rstd, &workspaceSize, &executor);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnLayerNormGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
void* workspaceAddr = nullptr;
if (workspaceSize > 0) {
ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
}
ret = aclnnLayerNorm(workspaceAddr, workspaceSize, executor, stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnLayerNorm failed. ERROR: %d\n", ret); return ret);
ret = aclrtSynchronizeStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
auto size = GetShapeSize(xShape);
std::vector<float> resultData(size, 0);
ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr,
size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy first result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size; i++) {
LOG_PRINT("out result[%ld] is: %f\n", i, resultData[i]);
}
auto size1 = GetShapeSize(meanShape);
std::vector<float> resultData1(size1, 0);
ret = aclrtMemcpy(resultData1.data(), resultData1.size() * sizeof(resultData1[0]), meanDeviceAddr,
size1 * sizeof(resultData1[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy second result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size1; i++) {
LOG_PRINT("mean result[%ld] is: %f\n", i, resultData1[i]);
}
auto size2 = GetShapeSize(meanShape);
std::vector<float> resultData2(size2, 0);
ret = aclrtMemcpy(resultData2.data(), resultData2.size() * sizeof(resultData2[0]), rstdDeviceAddr,
size2 * sizeof(resultData2[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy last result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size2; i++) {
LOG_PRINT("rstd result[%ld] is: %f\n", i, resultData2[i]);
}
// 6. 释放aclTensor和aclIntArray，需要根据具体API的接口定义修改
aclDestroyTensor(x);
aclDestroyIntArray(norm);
aclDestroyTensor(weight);
aclDestroyTensor(bias);
aclDestroyTensor(out);
aclDestroyTensor(mean);
aclDestroyTensor(rstd);
// 7. 释放device资源
aclrtFree(xDeviceAddr);
aclrtFree(weightDeviceAddr);
aclrtFree(biasDeviceAddr);
aclrtFree(outDeviceAddr);
aclrtFree(meanDeviceAddr);
aclrtFree(rstdDeviceAddr);
if (workspaceSize > 0) {
aclrtFree(workspaceAddr);
}
aclrtDestroyStream(stream);
aclrtResetDevice(deviceId);
aclFinalize();
return 0;
}调用示例2
示例代码如下，仅供参考，具体编译和执行过程请参考编译与运行样例。
#include <iostream>
#include <vector>
#include "acl/acl.h"
#include "aclnnop/aclnn_layer_norm.h"
#define CHECK_RET(cond, return_expr) \
do { \
if (!(cond)) { \
return_expr; \
} \
} while (0)
#define LOG_PRINT(message, ...) \
do { \
printf(message, ##__VA_ARGS__); \
} while (0)
int64_t GetShapeSize(const std::vector<int64_t>& shape) {
int64_t shapeSize = 1;
for (auto i : shape) {
shapeSize *= i;
}
return shapeSize;
}
int Init(int32_t deviceId, aclrtStream* stream) {
// 固定写法，AscendCL初始化
auto ret = aclInit(nullptr);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
ret = aclrtSetDevice(deviceId);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
ret = aclrtCreateStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret);
return 0;
}
template <typename T>
int CreateAclTensorMem(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr) {
auto size = GetShapeSize(shape) * sizeof(T);
// 调用aclrtMalloc申请device侧内存
auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
// 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
return 0;
}
template <typename T>
void aclCreateTensorP(const std::vector<T>& shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) {
// 计算连续tensor的strides
std::vector<int64_t> strides(shape.size(), 1);
for (int64_t i = shape.size() - 2; i >= 0; i--) {
strides[i] = shape[i + 1] * strides[i + 1];
}
// 调用aclCreateTensor接口创建aclTensor
*tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
shape.data(), shape.size(), *deviceAddr);
}
template <typename T>
void aclCreateIntArrayP(const std::vector<T>& hostData, aclIntArray** intArray) {
// 调用接口创建aclIntArray
*intArray = aclCreateIntArray(hostData.data(), hostData.size());
}
int main() {
// 1.（固定写法）device/stream初始化，参考AscendCL对外接口列表
// 根据自己的实际device填写deviceId
int32_t deviceId = 0;
aclrtStream stream;
auto ret = Init(deviceId, &stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);
// 2. 构造输入与输出，需要根据API的接口自定义构造
std::vector<int64_t> xShape = {1, 2, 32};
std::vector<int64_t> normShape = {32};
std::vector<int64_t> meanShape = {1, 2, 1};
void* xDeviceAddr = nullptr;
void* weightDeviceAddr = nullptr;
void* biasDeviceAddr = nullptr;
void* outDeviceAddr = nullptr;
void* meanDeviceAddr = nullptr;
void* rstdDeviceAddr = nullptr;
aclTensor* x = nullptr;
aclIntArray* norm = nullptr;
aclTensor* weight = nullptr;
aclTensor* bias = nullptr;
aclTensor* out = nullptr;
aclTensor* mean = nullptr;
aclTensor* rstd = nullptr;
std::vector<float> xHostData(64, 2.0);
std::vector<int64_t> normData = {32};
std::vector<float> weightHostData(32, 1.0);
std::vector<float> biasHostData(32, 0.0);
std::vector<float> outHostData(64, 0.0);
std::vector<float> meanHostData(2, 0.0);
std::vector<float> rstdHostData(2, 0.0);
double eps = 1e-5;
int32_t implMode = 0;
// 创建x aclTensor
ret = CreateAclTensorMem(xHostData, xShape, &xDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
// 创建weight aclTensor
ret = CreateAclTensorMem(weightHostData, normShape, &weightDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
// 创建bias aclTensor
ret = CreateAclTensorMem(biasHostData, normShape, &biasDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
// 创建out aclTensor
ret = CreateAclTensorMem(outHostData, xShape, &outDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
// 创建mean aclTensor
ret = CreateAclTensorMem(meanHostData, meanShape, &meanDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
// 创建rstd aclTensor
ret = CreateAclTensorMem(rstdHostData, meanShape, &rstdDeviceAddr);
CHECK_RET(ret == ACL_SUCCESS, return ret);
aclCreateTensorP(xShape, &xDeviceAddr, aclDataType::ACL_FLOAT, &x);
aclCreateIntArrayP(normData, &norm);
aclCreateTensorP(normShape, &weightDeviceAddr, aclDataType::ACL_FLOAT, &weight);
aclCreateTensorP(normShape, &biasDeviceAddr, aclDataType::ACL_FLOAT, &bias);
aclCreateTensorP(xShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out);
aclCreateTensorP(meanShape, &meanDeviceAddr, aclDataType::ACL_FLOAT, &mean);
aclCreateTensorP(meanShape, &rstdDeviceAddr, aclDataType::ACL_FLOAT, &rstd);
// 3. 调用CANN算子库API，需要修改为具体的Api名称
uint64_t workspaceSize = 0;
aclOpExecutor* executor;
// 调用aclnnLayerNormWithImplMode第一段接口
ret = aclnnLayerNormWithImplModeGetWorkspaceSize(x, norm, weight, bias, eps, out, mean, rstd, implMode,
&workspaceSize, &executor);
CHECK_RET(ret == ACL_SUCCESS,
LOG_PRINT("aclnnLayerNormWithImplModeGetWorkspaceSize failed. ERROR: %d\n", ret);
return ret);
// 根据第一段接口计算出的workspaceSize申请device内存
void* workspaceAddr = nullptr;
if (workspaceSize > 0) {
ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
}
// 调用aclnnLayerNormWithImplMode第二段接口
ret = aclnnLayerNormWithImplMode(workspaceAddr, workspaceSize, executor, stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnLayerNormWithImplMode failed. ERROR: %d\n", ret); return ret);
// 4.（固定写法）同步等待任务执行结束
ret = aclrtSynchronizeStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
// 5. 获取输出的值，将device侧内存上的结果拷贝至host侧，需要根据具体API的接口定义修改
auto size = GetShapeSize(xShape);
std::vector<float> resultData(size, 0);
ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr,
size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy first result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size; i++) {
LOG_PRINT("out result[%ld] is: %f\n", i, resultData[i]);
}
auto size1 = GetShapeSize(meanShape);
std::vector<float> resultData1(size1, 0);
ret = aclrtMemcpy(resultData1.data(), resultData1.size() * sizeof(resultData1[0]), meanDeviceAddr,
size1 * sizeof(resultData1[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy second result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size1; i++) {
LOG_PRINT("mean result[%ld] is: %f\n", i, resultData1[i]);
}
auto size2 = GetShapeSize(meanShape);
std::vector<float> resultData2(size2, 0);
ret = aclrtMemcpy(resultData2.data(), resultData2.size() * sizeof(resultData2[0]), rstdDeviceAddr,
size2 * sizeof(resultData2[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy last result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size2; i++) {
LOG_PRINT("rstd result[%ld] is: %f\n", i, resultData2[i]);
}
// 6. 释放aclTensor和aclIntArray，需要根据具体API的接口定义修改
aclDestroyTensor(x);
aclDestroyIntArray(norm);
aclDestroyTensor(weight);
aclDestroyTensor(bias);
aclDestroyTensor(out);
aclDestroyTensor(mean);
aclDestroyTensor(rstd);
// 7. 释放device资源
aclrtFree(xDeviceAddr);
aclrtFree(weightDeviceAddr);
aclrtFree(biasDeviceAddr);
aclrtFree(outDeviceAddr);
aclrtFree(meanDeviceAddr);
aclrtFree(rstdDeviceAddr);
if (workspaceSize > 0) {
aclrtFree(workspaceAddr);
}
aclrtDestroyStream(stream);
aclrtResetDevice(deviceId);
aclFinalize();
return 0;
}