Power

功能说明

实现按元素做幂运算功能，提供3类接口，处理逻辑分别为：

$\text{[math]}$

定义原型

Power(dstTensor, srcTensor1, srcTensor2)
- 通过sharedTmpBuffer入参传入临时空间
  - 源操作数Tensor全部/部分参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const LocalTensor<T>& srcTensor2, const LocalTensor<uint8_t>& sharedTmpBuffer, const uint32_t calCount)；
  - 源操作数Tensor全部参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const LocalTensor<T>& srcTensor2, const LocalTensor<uint8_t>& sharedTmpBuffer)；
- 接口框架申请临时空间
  - 源操作数Tensor全部/部分参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const LocalTensor<T>& srcTensor2, const uint32_t calCount)；
  - 源操作数Tensor全部参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const LocalTensor<T>& srcTensor2)；
Power(dstTensor, srcTensor1, scalarValue)
- 通过sharedTmpBuffer入参传入临时空间
  - 源操作数Tensor全部/部分参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const T& scalarValue, const LocalTensor<uint8_t>& sharedTmpBuffer, const uint32_t calCount)；
  - 源操作数Tensor全部参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const T& scalarValue, const LocalTensor<uint8_t>& sharedTmpBuffer)；
- 接口框架申请临时空间
  - 源操作数Tensor全部/部分参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const T& scalarValue, const uint32_t calCount)；
  - 源操作数Tensor全部参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const LocalTensor<T>& srcTensor1, const T& scalarValue)
Power(dstTensor, scalarValue, srcTensor2)
- 通过sharedTmpBuffer入参传入临时空间
  - 源操作数Tensor全部/部分参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const T& scalarValue, const LocalTensor<T>& srcTensor2, const LocalTensor<uint8_t>& sharedTmpBuffer, const uint32_t calCount)；
  - 源操作数Tensor全部参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const T& scalarValue, const LocalTensor<T>& srcTensor2, const LocalTensor<uint8_t>& sharedTmpBuffer)；
- 接口框架申请临时空间
  - 源操作数Tensor全部/部分参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const T& scalarValue, const LocalTensor<T>& srcTensor2, const uint32_t calCount)；
  - 源操作数Tensor全部参与计算
     template <typename T, bool isReuseSource = false>
    
    __aicore__ inline void Power(const LocalTensor<T>& dstTensor, const T& scalarValue, const LocalTensor<T>& srcTensor2)

由于该接口的内部实现中涉及复杂的数学计算，需要额外的临时空间来存储计算过程中的中间变量。临时空间支持接口框架申请和开发者通过sharedTmpBuffer入参传入两种方式。

接口框架申请临时空间，开发者无需申请，但是需要预留临时空间的大小。

通过sharedTmpBuffer入参传入，使用该tensor作为临时空间进行处理，接口框架不再申请。该方式开发者可以自行管理sharedTmpBuffer内存空间，并在接口调用完成后，复用该部分内存，内存不会反复申请释放，灵活性较高，内存利用率也较高。

接口框架申请的方式，开发者需要预留临时空间；通过sharedTmpBuffer传入的情况，开发者需要为sharedTmpBuffer申请空间。临时空间大小BufferSize的获取方式如下：通过Power Tiling中提供的GetPowerMaxMinTmpSize接口获取需要预留空间的范围大小。

参数说明

表1 接口参数说明
参数名	输入/输出	描述
dstTensor	输出	目的操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 Atlas A2训练系列产品/Atlas 800I A2推理产品，支持的数据类型为：half/float/int32_t
srcTensor1	输入	源操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。源操作数的数据类型需要与目的操作数保持一致。 Atlas A2训练系列产品/Atlas 800I A2推理产品，支持的数据类型为：half/float/int32_t
srcTensor2	输入	源操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。源操作数的数据类型需要与目的操作数保持一致。 Atlas A2训练系列产品/Atlas 800I A2推理产品，支持的数据类型为：half/float/int32_t
scalarValue	输入	源操作数，类型为Scalar。源操作数的数据类型需要与目的操作数保持一致。 Atlas A2训练系列产品/Atlas 800I A2推理产品，支持的数据类型为：half/float/int32_t
sharedTmpBuffer	输入	临时内存空间。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 Atlas A2训练系列产品/Atlas 800I A2推理产品，支持的数据类型为：uint8_t 针对3个power接口，不同输入数据类型情况下，临时空间大小BufferSize的获取方式请参考Power Tiling。
isReuseSource	输入	是否允许修改源操作数。该参数预留，传入默认值false即可。

返回值

无

支持的型号

Atlas A2训练系列产品/Atlas 800I A2推理产品

约束说明

源操作数与目的操作数不允许同时使用（即地址不重叠）。
操作数地址偏移对齐要求请参见通用约束。

调用示例

本样例中只展示Compute流程中的部分代码。如果您需要运行样例代码，请将该代码段拷贝并替换样例模板中Compute函数的部分代码即可。

Power(dstTensor, srcTensor1, srcTensor2)

Power(dstLocal, srcLocal1, srcLocal2)

结果示例如下：

输入数据(srcLocal1): [1.4608411 4.344736 ... 0.46437776]
输入数据(srcLocal2): [-5.4534287 4.5122147 ... -0.9344089]
输出数据(dstLocal): [0.12657544 756.1846 ... 2.0477564]

Power(dstTensor, srcTensor1, scalarValue)

Power(dstLocal, srcLocal1, scalarValue)

结果示例如下：

输入数据(srcLocal1): [2.263972 2.902264 ... 0.40299487]
输入数据(scalarValue): 1.2260373
输出数据(dstLocal): [2.7232351 3.6926038 ... 0.32815763]

Power(dstTensor, scalarValue, srcTensor2)

Power(dstLocal, scalarValue, srcLocal2)

结果示例如下：

输入数据(scalarValue): 4.382112
输入数据(srcLocal2): [5.504859 2.0677629 ... 1.053188]
输出数据(dstLocal): [3407.0386 21.225077 ... 4.7403817]

样例模板

#include "kernel_operator.h"
namespace AscendC {
template <typename srcType>
class KernelPower {
public:
    __aicore__ inline KernelPower()
    {}
    __aicore__ inline void Init(GM_ADDR src1_gm, GM_ADDR src2_gm, GM_ADDR dst_gm, uint32_t srcSize)
    {
        src1_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(src1_gm), srcSize);
        src2_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(src2_gm), srcSize);
        dst_global.SetGlobalBuffer(reinterpret_cast<__gm__ srcType *>(dst_gm), srcSize);
        pipe.InitBuffer(inQueueX1, 1, srcSize * sizeof(srcType));
        pipe.InitBuffer(inQueueX2, 1, srcSize * sizeof(srcType));
        pipe.InitBuffer(outQueue, 1, srcSize * sizeof(srcType));
        bufferSize = srcSize;
    }
    __aicore__ inline void Process()
    {
        CopyIn();
        Compute();
        CopyOut();
    }
private:
    __aicore__ inline void CopyIn()
    {
        LocalTensor<srcType> srcLocal1 = inQueueX1.AllocTensor<srcType>();
        DataCopy(srcLocal1, src1_global, bufferSize);
        inQueueX1.EnQue(srcLocal1);
        LocalTensor<srcType> srcLocal2 = inQueueX2.AllocTensor<srcType>();
        DataCopy(srcLocal2, src2_global, bufferSize);
        inQueueX2.EnQue(srcLocal2);
    }
    __aicore__ inline void Compute()
    {
        LocalTensor<srcType> dstLocal = outQueue.AllocTensor<srcType>();
        LocalTensor<srcType> srcLocal1 = inQueueX1.DeQue<srcType>();
        LocalTensor<srcType> srcLocal2 = inQueueX2.DeQue<srcType>();
        LocalTensor<srcType> tmpLocal;
        srcType scalarValue1 = srcLocal1.GetValue(0);
        // srcType scalarValue2 = srcLocal2.GetValue(0);
        Power<srcType, false, true>(dstLocal, scalarValue1, srcLocal2);
        // Power<srcType, false, true>(dstLocal, srcLocal1, scalarValue2); 
        // Power<srcType, false, true>(dstLocal, srcLocal1, srcLocal2); 
        outQueue.EnQue<srcType>(dstLocal);
        inQueueX1.FreeTensor(srcLocal1);
        inQueueX2.FreeTensor(srcLocal2);
    }
    __aicore__ inline void CopyOut()
    {
        LocalTensor<srcType> dstLocal = outQueue.DeQue<srcType>();
        DataCopy(dst_global, dstLocal, bufferSize);
        outQueue.FreeTensor(dstLocal);
    }
private:
    GlobalTensor<srcType> src1_global;
    GlobalTensor<srcType> src2_global;
    GlobalTensor<srcType> dst_global;
    TPipe pipe;
    TQue<QuePosition::VECIN, 1> inQueueX1;
    TQue<QuePosition::VECIN, 1> inQueueX2;
    TQue<QuePosition::VECOUT, 1> outQueue;
    uint32_t bufferSize = 0;
};
template <typename dataType>
__aicore__ void kernel_power_operator(GM_ADDR src1_gm, GM_ADDR src2_gm, GM_ADDR dst_gm, uint32_t srcSize)
{
    KernelPower<dataType> op;
    op.Init(src1_gm, src2_gm, dst_gm, srcSize);
    op.Process();
}
} // namespace AscendC
                                                                    
extern "C" __global__ __aicore__ void kernel_power_operator(GM_ADDR src1_gm, GM_ADDR src2_gm, GM_ADDR dst_gm, uint32_t srcSize) 
{                                                                                                                 
    AscendC::kernel_power_operator<half>(src1_gm, src2_gm, dst_gm, srcSize); //传入类型和大小                                                        }

父主题： Power