多核

在for_range的原型定义里，用户通过设置参数block_num来实现分核并行，简单代码示例如下：

with tik_instance.for_range( 0, 10, block_num=10) as i:

示例中，for_range循环中的表达式会被作用在10个执行实例上，最终10个执行实例会被分配到10个核上并行运行，每个核拿到一个执行实例和一个不同的Block ID。如果当前可用的核的数量小于10，则执行实例会在当前可用的核上分批调度执行；如果当前可用的核的数量大于等于10，则会根据实际情况调度执行，实际运行的核数可能小于等于10。

# 请根据实际昇腾AI处理器型号进行设置
soc_version="xxx"
# 设置昇腾AI处理器的型号及目标核的类型
tbe.common.platform.set_current_compile_soc_info(soc_version) 
tbe.common.platform.get_soc_spec("CORE_NUM") # 使用该接口前需要先设置AI处理器型号

需要注意的是：

1. 采用分核并行时，L2/HBM/DDR（统称Global Memory）对每个核均可见，因而位于Global Memory中的张量必须定义在for_range循环外；其它存放在Scalar Buffer或Unified Buffer中的张量，只对其所在的核可见，其张量定义必须放到多核循环内部。
2. block_num默认取值为1，即不分核；而采用分核并行时，其取值上限为65535，用户需要保证block_num的值不超过此阈值。

   为保证负载均衡，block_num一般尽量设置为实际核数量的倍数。假设AI处理器内含32个AI Core，假如一个张量的形状为（16, 2, 32, 32, 32），如果以张量的第一维度（最外层）进行分核，则只能绑定16个核。此时，可通过将张量的第一维度和第二维度合并，使得最外层的长度变成32，以此将任务均摊到32个AI Core上，使用尽可能多的核并行处理。需要注意的是，顾及后端内存自动分配机制限制，用户实施分核并行时必须从最外层开始做维度合并。

3. 一个算子中只能调用一次for_range实现分核，即设置block_num >=2，不允许多次开启多核。

此外，分核并行特别需要注意非32 bytes对齐写入Global Memory的场景，此时存在多余的数据尾巴，导致不同AI Core往Global Memory写数据存在数据覆盖。如图1所示，一个长度为24的一维张量，数据类型为float32；利用两个AI Core进行分核并行处理并输出到Global Memory中。考虑到Unified Buffer的物理限制，数据搬运必须32 bytes对齐，则图中虚线框中数据会和正确数据一起被搬出到Global Memory，由此导致图中阴影处发生数据覆写、踩踏，最终影响计算结果的正确性。

图1 分核并行时非32 bytes对齐造成的数据覆写

为保证输出结果的正确性，不足32 bytes的数据在搬入、搬出Unified Buffer时必须通过“地址回退”操作以防止数据踩踏。如图2所示，Global Memory中共24个float32类型的数据，数据首先一分为二，分别搬入到两个AI Core中，即AI Core 1处理数据GM[0]~GM[11]，AI Core 2处理数据GM[12]~GM[23]。以AI Core 1为例，数据0~7首先从Global Memory搬运到Unified Buffer中的第一个block（32 bytes），第二次搬运不再从数据8开始，而是回退到数据4，使得搬运数据满足32bytes对齐的要求，即搬运数据4~11至第二个block，则Global Memory中数据4~7（灰色阴影）被重复搬运。当Vector完成数据计算后，Unified Buffer中两个block内的计算结果分两次搬入Global Memory，同样需要通过“地址回退”保证两个block中重复的数据重叠到Global Memory中的同一地址块中（灰色阴影）。由此，每个AI Core上不足32 bytes的数据均通过“地址回退”操作实现正确搬运，避免了数据踩踏的发生。

图2 数据搬运时的地址回退操作