本文分享自华为云社区《【2023 · CANN训练营第一季】——Ascend C sqrt算子实战-云社区-华为云》，作者：dayao。

前言

编写一个Ascend C的sqrt算子，并通过内核调用方式在cpu和npu模式下进行验证。在训练营沙箱环境下，cpu模式工作正常结果正确。

一、概述

先简单回顾下TIK C++算子矢量编程的流程和实现。

矢量算子开发流程如下：

主要工作内容有：

1、算子分析：确定输入输出，确定数学表达式以及底层实现接口，确定核函数定义。

2、算子类的实现：实现init()和process()。init()完成内存初始化，实质上体现的是多核运行，和单核数据切分以及是否开启double buffer优化；Process()实现的是CopyIn，Compute、CopyOut三个流水任务。

3、算子验证：通过核函数的内核调用符的方式调用算子，计算出结果，并于使用相同输入用numpy计算结果进行比对，误差在一定范围内即可。实际应用中，需要使用原有框架的算子进行计算精度比对。

二、算子分析

算子定义如下：假定仍是8个逻辑核。

查询TIK C++的API可知，可以使用（TIK C++ API/矢量计算/单目/Sqrt，采用2级接口）完成运算，得到最终结果。

三、代码分析

直接在训练营课程提供的add_tik2算子工程上修改。代码地址：

修改代码目录结构如下：CMakeLists.txt和data_utils.h未作修改，编译和执行脚本run.sh只改了计算结果与真值比对部分。

一）、核函数定义

与例程相比，输入参数只有x。

extern "C" __global__ __aicore__ void sqrt_tik2(__gm__ uint8_t* x, __gm__ uint8_t* z){KernelSqrt op;op.Init(x, z);op.Process();}

实现方式与add例程类似。init（）函数里初始化内存：x，y的Global Memory ；流水线任务通讯内存；Process（）实现流水线任务；按范式编写CopyIn、Compute、CopyOut。与add例程最大差异是，在compute函数中，调用sqrt的2类接口API实现计算。

class KernelSqrt {public:__aicore__ inline KernelSqrt() {}__aicore__ inline void Init(__gm__ uint8_t* x, __gm__ uint8_t* z){// get start index for current core, core parallelxGm.SetGlobalBuffer((__gm__ half*)x + block_idx * BLOCK_LENGTH, BLOCK_LENGTH);zGm.SetGlobalBuffer((__gm__ half*)z + block_idx * BLOCK_LENGTH, BLOCK_LENGTH);// pipe alloc memory to queue, the unit is Bytespipe.InitBuffer(inQueueX, BUFFER_NUM, TILE_LENGTH * sizeof(half));pipe.InitBuffer(outQueueZ, BUFFER_NUM, TILE_LENGTH * sizeof(half));}__aicore__ inline void Process(){// loop count need to be doubled, due to double bufferconstexpr int32_t loopCount = TILE_NUM * BUFFER_NUM;// tiling strategy, pipeline parallelfor (int32_t i = 0; i < loopCount; i++) {CopyIn(i);Compute(i);CopyOut(i);}}private:__aicore__ inline void CopyIn(int32_t progress){// alloc tensor from queue memoryLocalTensor<half> xLocal = inQueueX.AllocTensor<half>();// copy progress_th tile from global tensor to local tensorDataCopy(xLocal, xGm[progress * TILE_LENGTH], TILE_LENGTH);// enque input tensors to VECIN queueinQueueX.EnQue(xLocal);}__aicore__ inline void Compute(int32_t progress){// deque input tensors from VECIN queueLocalTensor<half> xLocal = inQueueX.DeQue<half>();LocalTensor<half> zLocal = outQueueZ.AllocTensor<half>();// call Sqrt instr for computationSqrt(zLocal, xLocal, TILE_LENGTH);// enque the output tensor to VECOUT queueoutQueueZ.EnQue<half>(zLocal);// free input tensors for reuseinQueueX.FreeTensor(xLocal);}__aicore__ inline void CopyOut(int32_t progress){// deque output tensor from VECOUT queueLocalTensor<half> zLocal = outQueueZ.DeQue<half>();// copy progress_th tile from local tensor to global tensorDataCopy(zGm[progress * TILE_LENGTH], zLocal, TILE_LENGTH);// free output tensor for reuseoutQueueZ.FreeTensor(zLocal);}private:TPipe pipe;// create queues for input, in this case depth is equal to buffer numTQue<QuePosition::VECIN, BUFFER_NUM> inQueueX;// create queue for output, in this case depth is equal to buffer numTQue<QuePosition::VECOUT, BUFFER_NUM> outQueueZ;GlobalTensor<half> xGm, zGm;};

1、在CPU模式下，通过ICPU_RUN_KF调用

ICPU_RUN_KF(sqrt_tik2, blockDim, x, z); // use this macro for cpu debug

2、在NPU模式下，通过<<<>>>调用

#ifndef __CCE_KT_TEST__// call of kernel functionvoid sqrt_tik2_do(uint32_t blockDim, void* l2ctrl, void* stream, uint8_t* x, uint8_t* z){sqrt_tik2<<<blockDim, l2ctrl, stream>>>(x, z);}#endif

由于<<<>>>，只能在NPU模式下调用，所以需要用条件编译，不在CPU调试模式下有效。在调用sqrt_tik2_do，需要按ascendcl应用编程的要求进行。

3、调用代码

通过“__CCE_KT_TEST__”宏区分CPU和NPU模式。

int32_t main(int32_t argc, char* argv[]){size_t inputByteSize = 8 * 2048 * sizeof(uint16_t); // uint16_t represent halfsize_t outputByteSize = 8 * 2048 * sizeof(uint16_t); // uint16_t represent halfuint32_t blockDim = 8;#ifdef __CCE_KT_TEST__uint8_t* x = (uint8_t*)tik2::GmAlloc(inputByteSize);uint8_t* z = (uint8_t*)tik2::GmAlloc(outputByteSize);ReadFile("./input/input_x.bin", inputByteSize, x, inputByteSize);// PrintData(x, 16, printDataType::HALF);ICPU_RUN_KF(sqrt_tik2, blockDim, x, z); // use this macro for cpu debug// PrintData(z, 16, printDataType::HALF);WriteFile("./output/output_z.bin", z, outputByteSize);tik2::GmFree((void *)x);tik2::GmFree((void *)z);#elseaclInit(nullptr);aclrtContext context;aclError error;int32_t deviceId = 0;aclrtCreateContext(&context, deviceId);aclrtStream stream = nullptr;aclrtCreateStream(&stream);uint8_t *xHost, *zHost;uint8_t *xDevice, *zDevice;aclrtMallocHost((void**)(&xHost), inputByteSize);aclrtMallocHost((void**)(&zHost), outputByteSize);aclrtMalloc((void**)&xDevice, inputByteSize, ACL_MEM_MALLOC_HUGE_FIRST);aclrtMalloc((void**)&zDevice, outputByteSize, ACL_MEM_MALLOC_HUGE_FIRST);ReadFile("./input/input_x.bin", inputByteSize, xHost, inputByteSize);// PrintData(xHost, 16, printDataType::HALF);aclrtMemcpy(xDevice, inputByteSize, xHost, inputByteSize, ACL_MEMCPY_HOST_TO_DEVICE);sqrt_tik2_do(blockDim, nullptr, stream, xDevice, zDevice); // call kernel in this functionaclrtSynchronizeStream(stream);aclrtMemcpy(zHost, outputByteSize, zDevice, outputByteSize, ACL_MEMCPY_DEVICE_TO_HOST);// PrintData(zHost, 16, printDataType::HALF);WriteFile("./output/output_z.bin", zHost, outputByteSize);aclrtFree(xDevice);aclrtFree(zDevice);aclrtFreeHost(xHost);aclrtFreeHost(zHost);aclrtDestroyStream(stream);aclrtResetDevice(deviceId);aclFinalize();#endifreturn 0;}

使用numpy生成input_x和基准结果golden。

import numpy as npdef gen_golden_data_simple():input_x = np.random.uniform(0, 100, [8, 2048]).astype(np.float16)golden = np.sqrt(input_x).astype(np.float16)input_x.tofile("./input/input_x.bin")golden.tofile("./output/golden.bin")if __name__ == "__main__":gen_golden_data_simple()

使用numpy的allclose()函数比较算子计算与基准数据的结果。实际上由于npu模式编译出错，实际未执行改函数进行比较。CPU模式下，算子计算出的结果与基准golden数据完全一致，两者的md5相同。

四、编译运行

本次课程提供了沙箱运行环境，想个办法把代码搞进去。

一）、配置环境变量二）、CPU模式

cpu模式顺利编译运行，结果与对比组完全一致。

三）、NPU模式

npu模式下编译报错，因为沙箱时间有限，以后有机会再研究。

关注#华为云开发者联盟# 点击下方，第一时间了解华为云新鲜技术~

华为云博客_大数据博客_AI博客_云计算博客_开发者中心-华为云