vec_rsqrt_high_preci
功能说明
按element做开方后，再取倒数：
。该接口的精度高于vec_rsqrt。
函数原型
vec_rsqrt_high_preci(mask, dst, src, work_tensor, repeat_times, dst_rep_stride, src_rep_stride)
参数说明
请参见参数说明。下面仅对dst/src/work_tensor参数进行说明：
dst与src的数据类型需要保持一致，支持的数据类型为：Tensor（float16/float32）；work_tensor支持的数据类型为Tensor(float32)。
- 如果传入tensor带有偏移，则作为参数传入时应写成tensor[offset1:offset2]，表示从offset1开始到offset2结束，也可以写成tensor[offset1:]，表示从offset1开始；如果仅仅输入tensor[offset]，代表仅传入一个元素，该接口内部实现过程中会对tensor进行切片，无法切分一个元素，运行时可能会产生错误，因此不支持该形式；
- 如果传入操作数tensor不带偏移，可以直接写成tensor传入。
【work_tensor参数说明】：
work_tensor为用户定义的临时buffer空间，存储中间结果，空间限定在scope_ubuf，用于内部计算使用。
【work_tensor空间计算说明】：
- 根据repeat_times、mask、src_rep_stride计算出src计算所需要的最小空间：src_extent_size = (repeat_times- 1)*src_rep_stride*block_len + mask_len
当源操作数数据类型为float16时，block_len=16；
当源操作数数据类型为float32时，block_len=8；
当mask是连续模式，mask_len 即mask值；
当mask为逐bits模式，mask_len为最高有效位的位数值。
- 对src最小空间进行32B向上取整对齐： wk_size_unit = ((src_extent_size+block_len-1)//block_len)*block_len
- 计算work_tensor大小：
对于Atlas 200/300/500 推理产品：当源操作数数据类型为float16时，则work_tensor需要申请的大小为6*wk_size_unit；当源操作数数据类型为float32时，则work_tensor需要申请的大小为4*wk_size_unit。例如当src数据类型为float16，mask = 128， repeat_times=2, src_rep_stride=8时，block_len=16, mask_len=128, src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐后wk_size_unit=256；则work_tensor申请的空间大小为6*256=1536。
对于Atlas 训练系列产品，当源操作数数据类型为float16时，则work_tensor需要申请的大小为5*wk_size_unit；当源操作数数据类型为float32时，则work_tensor需要申请的大小为3*wk_size_unit。例如当src数据类型为float16，mask = 128， repeat_times=2, src_rep_stride=8时，block_len=16, mask_len=128, src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐后wk_size_unit=256；则work_tensor申请空间大小为5*256=1280。
对于Atlas推理系列产品AI Core，当源操作数数据类型为float16时，则work_tensor需要申请的大小为5*wk_size_unit；当源操作数数据类型为float32时，则work_tensor需要申请的大小为3*wk_size_unit。例如当src数据类型为float16，mask = 128， repeat_times=2, src_rep_stride=8时，block_len=16, mask_len=128, src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐后wk_size_unit=256；则work_tensor申请空间大小为5*256=1280。
对于Atlas推理系列产品Vector Core，当源操作数数据类型为float16时，则work_tensor需要申请的大小为5*wk_size_unit；当源操作数数据类型为float32时，则work_tensor需要申请的大小为3*wk_size_unit。例如当src数据类型为float16，mask = 128， repeat_times=2, src_rep_stride=8时，block_len=16, mask_len=128, src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐后wk_size_unit=256；则work_tensor申请空间大小为5*256=1280。
Atlas A2训练系列产品/Atlas 800I A2推理产品，当源操作数数据类型为float16时，则work_tensor需要申请的大小为5*wk_size_unit；当源操作数数据类型为float32时，则work_tensor需要申请的大小为3*wk_size_unit。例如当src数据类型为float16，mask = 128， repeat_times=2, src_rep_stride=8时，block_len=16, mask_len=128, src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐后wk_size_unit=256；则work_tensor申请空间大小为5*256=1280。
Atlas 200/500 A2推理产品，当源操作数数据类型为float16时，则work_tensor需要申请的大小为5*wk_size_unit；当源操作数数据类型为float32时，则work_tensor需要申请的大小为3*wk_size_unit。例如当src数据类型为float16，mask = 128， repeat_times=2, src_rep_stride=8时，block_len=16, mask_len=128, src_extent_size=(2-1)*8*16+128=256；对src_extent_size进行32Byte对齐后wk_size_unit=256；则work_tensor申请空间大小为5*256=1280。
返回值
无
支持的型号
Atlas 200/300/500 推理产品
Atlas 训练系列产品
Atlas推理系列产品AI Core
Atlas推理系列产品Vector Core
Atlas A2训练系列产品/Atlas 800I A2推理产品
Atlas 200/500 A2推理产品
注意事项
调用示例1
from tbe import tik
tik_instance = tik.Tik()
# 定义tensor
dst_gm = tik_instance.Tensor("float16", (128,), name="dst_gm", scope=tik.scope_gm)
src_gm = tik_instance.Tensor("float16", (128,), name="src_gm", scope=tik.scope_gm)
src_ub = tik_instance.Tensor("float16", (128,), name="src_ub", scope=tik.scope_ubuf)
dst_ub = tik_instance.Tensor("float16", (128,), name="dst_ub", scope=tik.scope_ubuf)
# 将输入数据从gm搬运到ub
tik_instance.data_move(src_ub, src_gm, 0, 1, 128*2 // 32, 0, 0)
mask = 128
mask_len = mask # mask 是连续模式，mask_len则等于mask的值
repeat_times = 1
dst_rep_stride = 8
src_rep_stride = 8
block_len = 16 # src dtype is float16
src_extent_size = (repeat_times - 1)*src_rep_stride*block_len + mask_len
wk_size_unit = ((src_extent_size + block_len - 1) // block_len)*block_len
wk_size = 6*wk_size_unit # 得到work_tensor的大小
# 申请work_tensor
work_tensor = tik_instance.Tensor("float32", (wk_size ,), name="work_tensor", scope=tik.scope_ubuf)
# 指令传入tensor时，若有下标偏移请按照如下格式传入，在下标后加':'符号；否则可能导致程序报错
tik_instance.vec_rsqrt_high_preci(mask, dst_ub, src_ub, work_tesnor[0:], repeat_times, dst_rep_stride, src_rep_stride)
# 将计算结果从ub搬运到目标gm
tik_instance.data_move(dst_gm, dst_ub, 0, 1, 128*2 // 32, 0, 0)
tik_instance.BuildCCE("test_vec_rsqrt_high_preci", inputs=[src_gm], outputs=[dst_gm])
结果示例：
输入: src_gm= [6.996 1.381 5.996 7.902 ... 5.113 5.78 1.672 5.418 ] 输出： dst_gm: [0.3782 0.851 0.4084 0.3557 ... 0.4421 0.416 0.7734 0.4297]
调用示例2
from tbe import tik
tik_instance = tik.Tik()
# 定义tensor
dst_gm = tik_instance.Tensor("float32", (128,), name="dst_gm", scope=tik.scope_gm)
src_gm = tik_instance.Tensor("float32", (128,), name="src_gm", scope=tik.scope_gm)
src_ub = tik_instance.Tensor("float32", (128,), name="src_ub", scope=tik.scope_ubuf)
dst_ub = tik_instance.Tensor("float32", (128,), name="dst_ub", scope=tik.scope_ubuf)
# 将输入数据从gm搬运到ub
tik_instance.data_move(src_ub, src_gm, 0, 1, 128*4 // 32, 0, 0)
mask = [0, 2**64 - 1]
mask_len = 64 # mask是逐bits模式，mask_len等于mask的最高有效位的位数值
repeat_times = 2
dst_rep_stride = 8
src_rep_stride = 8
block_len = 8 # src dtype is float32
src_extent_size = (repeat_times - 1)*src_rep_stride*block_len + mask_len
wk_size_unit = ((src_extent_size + block_len - 1)//block_len)*block_len
wk_size = 4*wk_size_unit # 得到work_tensor的大小
# 申请work_tensor
work_tensor = tik_instance.Tensor("float32", (wk_size ,), name="work_tensor", scope=tik.scope_ubuf)
# 指令传入tensor时，若有下标偏移请按照如下格式传入，在下标后加':'符号；否则可能导致程序报错
tik_instance.vec_rsqrt_high_preci(mask, dst_ub, src_ub, work_tesnor[0:], repeat_times, dst_rep_stride, src_rep_stride)
# 将计算结果从ub拷贝到目标gm
tik_instance.data_move(dst_gm, dst_ub, 0, 1, 128*4 // 32, 0, 0)
tik_instance.BuildCCE("test_vec_rsqrt_high_preci", inputs=[src_gm], outputs=[dst_gm])
结果示例：
输入: src_gm= [5.349619, 0.4301902, 4.7152824, 9.539162, ..., 5.7243876, 4.4785686, 7.030495, 7.489954] 输出： dst_gm: [0.43235308, 1.5246484, 0.46051747, 0.32377616, ..., 0.41796073, 0.47253108, 0.37714386, 0.36539316]
