asc_squeeze_and_storeunalign
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/compute/reg_permute_sel.h"。
Reg计算数据搬运接口。将源矢量数据寄存器src1中被掩码squeeze_mask选中的元素压缩到目的矢量数据寄存器dst,并将这些元素连续搬出到Unified Buffer(UB)。压缩后的元素按其在src1中的顺序从dst的低位开始连续排列,dst中的剩余元素置0。
本接口使用AR特殊寄存器记录当前连续搬出的有效数据总字节数。首次调用本接口前,需调用asc_squeeze_and_storeunalign_init清零AR寄存器。接口执行前,AR寄存器中的值表示相对于dst_addr的写入偏移,单位为字节;接口执行后,本次选中元素的总字节数会累加到AR寄存器中。连续调用本接口并保持dst_addr和src0不变,可将多组筛选结果连续写入UB,无需手动更新地址。AR寄存器中的值可通过asc_get_squeeze_status接口获取。
接口将可完整组成32B的主块写入UB,未满32B的尾块暂存在非对齐寄存器src0中。完成一次或多次连续搬出后,需调用asc_squeeze_and_storeunalign_finalize将尾块写入UB。
本接口为Reg矢量搬运接口,仅在AIV上生效。
函数原型
__simd_callee__ inline void asc_squeeze_and_storeunalign(__ubuf__ <dtype>* dst_addr,
vector_<dtype>& dst,
vector_store_unalign& src0,
vector_<dtype> src1,
vector_bool squeeze_mask)
dtype支持数据类型
dtype取值为:int4b_t、int8_t、uint8_t、fp4x2_e2m1_t、fp4x2_e1m2_t、fp8_e8m0_t、fp8_e5m2_t、fp8_e4m3fn_t、int16_t、uint16_t、half、bfloat16_t、int32_t、uint32_t、float。
函数原型典型示例
__simd_callee__ inline void asc_squeeze_and_storeunalign(__ubuf__ float* dst_addr,
vector_float& dst,
vector_store_unalign& src0,
vector_float src1,
vector_bool squeeze_mask)
参数说明
表1 参数说明
| 参数名 | 输入/输出 | 描述 |
|---|---|---|
| dst_addr | 输出 | 目的操作数在UB上的起始地址。地址不要求32B对齐,但需按sizeof(dtype)字节对齐。连续搬出时,实际写入位置为dst_addr加AR寄存器记录的字节偏移。接口不会修改dst_addr的值。 |
| dst | 输出 | 目的操作数(矢量数据寄存器),通过引用返回压缩结果。被选中的元素连续排列在低位,剩余元素置0。 |
| src0 | 输入、输出 | 非对齐寄存器,长度为32B,用于暂存未满32B的尾块。连续搬出及收尾时需使用同一个寄存器;首次调用无需预先初始化该寄存器。 |
| src1 | 输入 | 源操作数(矢量数据寄存器)。 |
| squeeze_mask | 输入 | 源操作数掩码(掩码寄存器)。对应位置为1时选择该元素,为0时不选择该元素。 |
矢量数据寄存器、掩码寄存器和非对齐寄存器的详细说明请参见reg数据类型定义。
返回值说明
无
流水类型
PIPE_V
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。
- 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。
dst_addr加AR寄存器记录的累计字节数不可超过实际可用容量,否则会触发写越界异常。 - 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。
指令约束
- 每组连续搬出操作开始前,需调用一次asc_squeeze_and_storeunalign_init。连续调用本接口时,需保持
dst_addr和src0不变;最后一次调用后,需调用一次asc_squeeze_and_storeunalign_finalize完成收尾。
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 <algorithm>
#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 ELEMENTS_PER_REGISTER = 64;
constexpr uint32_t INPUT_COUNT = 139;
// 按单轮处理能力向上取整,确保非整寄存器长度的尾块也被处理。
constexpr uint32_t REPEAT_COUNT = (INPUT_COUNT + ELEMENTS_PER_REGISTER - 1) / ELEMENTS_PER_REGISTER;
constexpr uint32_t PADDED_INPUT_COUNT = REPEAT_COUNT * ELEMENTS_PER_REGISTER;
constexpr uint32_t SELECTED_PER_REGISTER = 22;
constexpr uint32_t OUTPUT_COUNT = (INPUT_COUNT / ELEMENTS_PER_REGISTER) * SELECTED_PER_REGISTER +
((INPUT_COUNT % ELEMENTS_PER_REGISTER) + 2) / 3;
constexpr uint32_t PADDED_OUTPUT_COUNT = ((OUTPUT_COUNT + ELEMENTS_PER_REGISTER - 1) /
ELEMENTS_PER_REGISTER) * ELEMENTS_PER_REGISTER;
constexpr uint32_t LAST_SELECTED_COUNT = ((INPUT_COUNT % ELEMENTS_PER_REGISTER) + 2) / 3;
constexpr uint32_t DATA_BYTES = INPUT_COUNT * sizeof(float);
// 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 = INPUT_COUNT;
__simd_vf__ inline void pack_selected(
__ubuf__ float* output, __ubuf__ float* register_output, __ubuf__ float* input, uint32_t one_repeat_size, uint16_t repeat_time)
{
vector_float src;
vector_float dst;
vector_store_unalign unalign_reg;
vector_bool pattern_mask = asc_create_mask_b32(PAT_M3);
vector_bool full_mask = asc_create_mask_b32(PAT_ALL);
// 保留剩余有效元素数,供更新掩码处理尾块。
uint32_t remaining_length = INPUT_COUNT;
vector_bool store_mask = asc_create_mask_b32(PAT_ALL);
asc_squeeze_and_storeunalign_init();
for (uint16_t i = 0; i < repeat_time; ++i) {
vector_bool valid_mask = asc_update_mask_b32(remaining_length);
vector_bool squeeze_mask = asc_and(pattern_mask, valid_mask, full_mask);
asc_loadalign(src, input + i * ELEMENTS_PER_REGISTER);
asc_squeeze_and_storeunalign(output, dst, unalign_reg, src, squeeze_mask);
}
asc_squeeze_and_storeunalign_finalize(output, unalign_reg);
asc_storealign(register_output, dst, store_mask);
}
__global__ __vector__ void squeeze_and_store_kernel(
__gm__ float* output, __gm__ float* register_output, __gm__ float* input)
{
asc_init();
__ubuf__ float input_local[PADDED_INPUT_COUNT];
__ubuf__ float output_local[PADDED_OUTPUT_COUNT];
__ubuf__ float register_local[ELEMENTS_PER_REGISTER];
asc_lock(PIPE_MTE2, MUTEX_ID);
asc_copy_gm2ub_align(input_local, input, PADDED_INPUT_COUNT * sizeof(float));
asc_unlock(PIPE_MTE2, MUTEX_ID);
uint32_t one_repeat_size = static_cast<uint32_t>(asc_get_vf_len() / sizeof(float));
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<pack_selected>(output_local, register_local, input_local, one_repeat_size, repeat_time);
asc_unlock(PIPE_V, MUTEX_ID);
asc_lock(PIPE_MTE3, MUTEX_ID);
asc_copy_ub2gm_align(output, output_local, PADDED_OUTPUT_COUNT * sizeof(float));
asc_copy_ub2gm_align(register_output, register_local, ELEMENTS_PER_REGISTER * sizeof(float));
asc_unlock(PIPE_MTE3, MUTEX_ID);
asc_sync();
}
} // namespace
int main()
{
std::vector<float> input(PADDED_INPUT_COUNT, 0.0F);
std::vector<float> output(PADDED_OUTPUT_COUNT, 0.0F);
std::vector<float> register_output(ELEMENTS_PER_REGISTER, 0.0F);
std::vector<float> golden;
std::vector<float> register_golden(ELEMENTS_PER_REGISTER, 0.0F);
for (uint32_t i = 0; i < INPUT_COUNT; ++i) input[i] = static_cast<float>(i) + 0.5F;
for (uint32_t repeat = 0; repeat < REPEAT_COUNT; ++repeat) {
const uint32_t offset = repeat * ELEMENTS_PER_REGISTER;
const uint32_t valid_count = INPUT_COUNT - offset > ELEMENTS_PER_REGISTER ?
ELEMENTS_PER_REGISTER : INPUT_COUNT - offset;
for (uint32_t i = 0; i < valid_count; i += 3) {
golden.push_back(input[offset + i]);
}
}
const uint32_t last_offset = (REPEAT_COUNT - 1) * ELEMENTS_PER_REGISTER;
for (uint32_t i = 0; i < LAST_SELECTED_COUNT; ++i) {
register_golden[i] = input[last_offset + i * 3];
}
aclInit(nullptr);
aclrtSetDevice(0);
float* input_device = nullptr;
float* output_device = nullptr;
float* register_device = nullptr;
aclrtMalloc(reinterpret_cast<void**>(&input_device), input.size() * sizeof(float),
ACL_MEM_MALLOC_HUGE_FIRST);
aclrtMalloc(reinterpret_cast<void**>(&output_device), PADDED_OUTPUT_COUNT * sizeof(float),
ACL_MEM_MALLOC_HUGE_FIRST);
aclrtMalloc(reinterpret_cast<void**>(®ister_device), register_output.size() * sizeof(float),
ACL_MEM_MALLOC_HUGE_FIRST);
aclrtMemcpy(input_device, input.size() * sizeof(float), input.data(), input.size() * sizeof(float),
ACL_MEMCPY_HOST_TO_DEVICE);
squeeze_and_store_kernel<<<1, 0>>>(output_device, register_device, input_device);
aclrtSynchronizeDevice();
aclrtMemcpy(output.data(), output.size() * sizeof(float), output_device, output.size() * sizeof(float),
ACL_MEMCPY_DEVICE_TO_HOST);
aclrtMemcpy(register_output.data(), register_output.size() * sizeof(float), register_device,
register_output.size() * sizeof(float), ACL_MEMCPY_DEVICE_TO_HOST);
const bool passed = std::equal(output.begin(), output.begin() + OUTPUT_COUNT, golden.begin()) &&
std::equal(register_output.begin(), register_output.begin() + LAST_SELECTED_COUNT, register_golden.begin());
std::cout << (passed ? "[Success] squeeze and unaligned store completed."
: "[Failed] output mismatch.") << std::endl;
aclrtFree(input_device);
aclrtFree(output_device);
aclrtFree(register_device);
aclrtResetDevice(0);
aclFinalize();
return passed ? 0 : 1;
}