asc_loadunalign_pre
产品支持情况
- Ascend 950PR&950DT系列产品:支持
- Atlas A3系列产品:不支持
- Atlas A2系列产品:不支持
- Atlas 200I/500 A2推理产品:不支持
- Atlas推理系列产品AI Core:不支持
- Atlas推理系列产品Vector Core:不支持
- Atlas训练系列产品:不支持
功能说明
头文件路径为:"c_api/reg_compute/load/loadunalign.h"。
本接口根据Unified Buffer(UB)中按dtype对齐的起始地址,初始化非对齐寄存器,作为后续非对齐搬入的前置缓存。该阶段仅完成非对齐寄存器初始化,不会将数据搬入矢量数据寄存器。
设本次初始化对应的有效起始字节地址为src_start_addr,将src_start_addr向低地址方向对齐到32字节边界,得到aligned_src_start_addr。本接口将UB中字节地址范围[aligned_src_start_addr, aligned_src_start_addr + 32)的32字节数据搬入非对齐寄存器。
本接口输出的非对齐寄存器作为asc_loadunalign或asc_loadunalign_postupdate的输入非对齐寄存器。
本接口提供两种功能模式:
- 源地址预处理模式:以UB源地址作为起始地址,为asc_loadunalign或asc_loadunalign_postupdate的连续非对齐搬入模式准备前置数据缓存。
- 地址寄存器偏移预处理模式:以UB源地址与地址寄存器记录的元素偏移量共同确定起始地址,为
asc_loadunalign_postupdate的地址寄存器偏移搬入模式准备前置数据缓存。需要与asc_update_addr_reg配合使用。
本接口为Reg矢量搬运接口,仅在AIV上生效。
函数原型
源地址预处理模式
__simd_callee__ inline void asc_loadunalign_pre(vector_load_unalign& dst,
__ubuf__ <dtype>* src)
dtype支持数据类型
dtype取值为:int4b_t、int8_t、uint8_t、fp4x2_e2m1_t、fp4x2_e1m2_t、hifloat8_t、fp8_e8m0_t、fp8_e5m2_t、fp8_e4m3fn_t、int16_t、uint16_t、half、bfloat16_t、int32_t、uint32_t、float、int64_t。
函数原型典型示例
// 示例:float类型。
__simd_callee__ inline void asc_loadunalign_pre(vector_load_unalign& dst,
__ubuf__ float* src)
地址寄存器偏移预处理模式
__simd_callee__ inline void asc_loadunalign_pre(vector_load_unalign& dst,
__ubuf__ <dtype>* src,
addr_reg offset)
dtype支持数据类型
dtype取值为:int4b_t、int8_t、uint8_t、fp4x2_e2m1_t、fp4x2_e1m2_t、hifloat8_t、fp8_e8m0_t、fp8_e5m2_t、fp8_e4m3fn_t、int16_t、uint16_t、half、bfloat16_t、int32_t、uint32_t、float、int64_t。
函数原型典型示例
// 示例:float类型。
__simd_callee__ inline void asc_loadunalign_pre(vector_load_unalign& dst,
__ubuf__ float* src,
addr_reg offset)
参数说明
源地址预处理模式
表1 参数说明
| 参数名 | 输入/输出 | 描述 |
|---|---|---|
| dst | 输出 | 目的非对齐寄存器。作为后续非对齐搬入的前置数据缓存。 |
| src | 输入 | 源UB地址,必须按dtype对齐。 |
地址寄存器偏移预处理模式
表2 参数说明
| 参数名 | 输入/输出 | 描述 |
|---|---|---|
| dst | 输出 | 目的非对齐寄存器。作为后续非对齐搬入的前置数据缓存。 |
| src | 输入 | 源UB地址。src与offset共同确定的实际访问地址必须按dtype对齐。 |
| offset | 输入 | 地址寄存器,类型为addr_reg。该寄存器记录相对src起始地址的偏移,单位为元素个数。b8、b16、b32模式分别表示每个元素占1字节、2字节、4字节。 |
返回值说明
无
约束说明
通用约束
- Reg矢量计算C API通用约束请参见通用约束。
- 实际访问地址在接口内部向低地址方向对齐到32字节边界后读取数据。传入的
src或src与offset确定的地址必须按dtype对齐,对齐后的32字节读取范围必须在UB地址空间内,否则会报错。 - UB容量上限为256KB,用户可用容量随编译选项与编程场景变化(默认预留6KB SIMD VF栈 + 2KB Ascend C预留,可用248KB;SIMD+SIMT混编时再划分32KB~128KB作Data Cache,可用容量进一步减少)。UB地址偏移后不可超过实际可用容量,否则会报错。
- 如果本指令与其他指令存在数据依赖,需要插入同步指令asc_mem_bar,保证多个指令串行化,防止出现异常数据。
源地址预处理模式
- 本接口和紧随其后的搬入必须使用相同的
src地址。 - 与asc_loadunalign配合使用时,每次搬入前都必须调用本接口重新初始化。
- 与asc_loadunalign_postupdate的连续非对齐搬入模式配合使用时,只有继续使用上次调用自动更新后的
src时才可以复用;如果另外修改了src,必须重新初始化。
地址寄存器偏移预处理模式
每次循环迭代中,必须先调用
asc_update_addr_reg生成该次迭代的起始偏移,再调用本接口初始化非对齐寄存器。本接口和紧随其后的首次搬入必须使用相同的
src和offset。同一循环迭代内,后续搬入继续使用asc_loadunalign_postupdate按
inc更新后的offset时,可以复用更新后的src0;如果src或offset被另行修改,必须根据修改后的实际读取地址重新初始化src0。当dtype为
int64_t时,由于地址寄存器更新接口不支持b64模式,需要使用asc_update_addr_reg_b32生成地址寄存器。一个b64元素占用两个b32寻址单元,因此传入asc_update_addr_reg_b32的各维偏移量必须设置为期望的b64元素偏移量的2倍。Cvector_int64_t src_reg; vector_bool mask_b32 = asc_create_mask_b32(PAT_ALL); vector_bool mask_b64; asc_unpack_lower(mask_b64, mask_b32); addr_reg load_offset; addr_reg store_offset; for (uint16_t i = 0; i < repeatTimes; ++i) { load_offset = asc_update_addr_reg_b32(elements_vl * 2); // 搬出到UB后数据类型为B32,偏移不需要*2 store_offset = asc_update_addr_reg_b32(elements_vl); asc_loadalign(src_reg, input, load_offset); asc_storealign_pack(output, src_reg, store_offset, mask_b64); }
调用示例
将代码保存为example.asc后,可通过bisheng命令编译运行,其中--npu-arch参数需根据实际产品型号指定对应的NPU架构,具体产品与NPU架构的映射关系请参考__NPU_ARCH__。
以Ascend 950PR&950DT系列产品(对应NPU架构为dav-3510)为例,编译运行命令如下:
bisheng example.asc -o main --npu-arch=dav-3510 && ./main
#include <cstdint>
#include <iostream>
#include <vector>
#include "c_api/asc_simd.h"
#include "utils/std/cmath.h"
#include "acl/acl.h"
namespace {
constexpr uint8_t MUTEX_ID = 0;
constexpr uint32_t DATA_ELEMENTS = 260;
constexpr uint32_t ELEMENTS_PER_REGISTER = 256;
constexpr uint32_t PADDED_DATA_ELEMENTS =
AscendC::Std::ceil_div(DATA_ELEMENTS, ELEMENTS_PER_REGISTER) * ELEMENTS_PER_REGISTER;
constexpr uint32_t BUFFER_ELEMENTS = PADDED_DATA_ELEMENTS + 32;
constexpr uint32_t BUFFER_BYTES = BUFFER_ELEMENTS * sizeof(uint8_t);
// 统一记录实际处理长度,用于计算迭代次数并限制尾轮的有效范围。
constexpr uint32_t TOTAL_LENGTH = DATA_ELEMENTS;
constexpr uint32_t DATA_BYTES = TOTAL_LENGTH * sizeof(uint8_t);
__simd_vf__ inline void asc_loadunalign_pre_vf(__ubuf__ uint8_t* dst,
__ubuf__ uint8_t* src,
uint32_t one_repeat_size, uint16_t repeat_time)
{
vector_load_unalign load_unalign_reg;
vector_store_unalign store_unalign_reg;
vector_uint8_t dst_reg;
asc_loadunalign_pre(load_unalign_reg, src);
uint32_t remaining = DATA_ELEMENTS;
for (uint16_t i = 0; i < repeat_time; ++i) {
const uint16_t valid_count = remaining > one_repeat_size ? one_repeat_size : remaining;
asc_loadunalign_postupdate(dst_reg, load_unalign_reg, src, valid_count);
asc_storeunalign_postupdate(dst, store_unalign_reg, dst_reg, valid_count);
remaining -= valid_count;
}
asc_storeunalign_post_postupdate(dst, store_unalign_reg, 0);
}
__global__ __vector__ void asc_loadunalign_pre_kernel(__gm__ uint8_t* output, __gm__ uint8_t* input)
{
asc_init();
__ubuf__ uint8_t input_local[BUFFER_ELEMENTS];
__ubuf__ uint8_t output_local[BUFFER_ELEMENTS];
asc_lock(PIPE_MTE2, MUTEX_ID);
asc_copy_gm2ub_align(input_local, input, BUFFER_BYTES);
asc_unlock(PIPE_MTE2, MUTEX_ID);
uint32_t one_repeat_size = static_cast<uint32_t>(asc_get_vf_len() / sizeof(uint8_t));
uint16_t repeat_time = static_cast<uint16_t>(AscendC::Std::ceil_div(TOTAL_LENGTH, one_repeat_size));
asc_lock(PIPE_V, MUTEX_ID);
asc_vf_call<asc_loadunalign_pre_vf>(output_local + 1, input_local + 1, one_repeat_size, repeat_time);
asc_unlock(PIPE_V, MUTEX_ID);
asc_lock(PIPE_MTE3, MUTEX_ID);
asc_copy_ub2gm_align(output, output_local, BUFFER_BYTES);
asc_unlock(PIPE_MTE3, MUTEX_ID);
asc_sync();
}
} // namespace
int main()
{
std::vector<uint8_t> input(BUFFER_ELEMENTS);
std::vector<uint8_t> output(BUFFER_ELEMENTS, 0xff);
for (uint16_t i = 0; i < BUFFER_ELEMENTS; ++i) input[i] = static_cast<uint8_t>(i % 251 + 1);
aclInit(nullptr);
aclrtSetDevice(0);
uint8_t* input_device = nullptr;
uint8_t* output_device = nullptr;
aclrtMalloc(reinterpret_cast<void**>(&input_device), BUFFER_BYTES, ACL_MEM_MALLOC_HUGE_FIRST);
aclrtMalloc(reinterpret_cast<void**>(&output_device), BUFFER_BYTES, ACL_MEM_MALLOC_HUGE_FIRST);
aclrtMemcpy(input_device, BUFFER_BYTES, input.data(), BUFFER_BYTES, ACL_MEMCPY_HOST_TO_DEVICE);
asc_loadunalign_pre_kernel<<<1, 0>>>(output_device, input_device);
aclrtSynchronizeDevice();
aclrtMemcpy(output.data(), BUFFER_BYTES, output_device, BUFFER_BYTES, ACL_MEMCPY_DEVICE_TO_HOST);
bool passed = true;
for (uint16_t i = 0; i < DATA_ELEMENTS; ++i) passed = passed && output[i + 1] == input[i + 1];
std::cout << (passed ? "[Success]" : "[Failed]") << " asc_loadunalign_pre example." << std::endl;
aclrtFree(input_device);
aclrtFree(output_device);
aclrtResetDevice(0);
aclFinalize();
return passed ? 0 : 1;
}