Star527
723
代码
代码
Issues75
Pull Requests134
流水线
讨论
Wiki
分析
Star527
723
cann-robotcann-robotReplace blockDim with numBlocks
a0ceec03创建于 2月2日历史提交
文件最后提交记录最后更新时间
scripts
libraries && best_practices sample4 个月前
CMakeLists.txt
libraries && best_practices sample4 个月前
README.md
libraries && best_practices sample4 个月前
data_utils.h
libraries && best_practices sample4 个月前
l2_cache_optimizer.h
libraries && best_practices sample4 个月前
matmul.asc
Replace blockDim with numBlocks4 个月前
README.md

Matmul算子L2 Cache切分功能直调样例

概述

本样例介绍调用Matmul API实现L2 Cache切分的功能的Matmul单算子。

支持的产品

  • Ascend 950PR/Ascend 950DT
  • Atlas A3 训练系列产品/Atlas A3 推理系列产品
  • Atlas A2 训练系列产品/Atlas A2 推理系列产品

目录结构介绍

├── matmul_l2cache
│   └── scripts
│       ├── gen_data.py         // 输入数据和真值数据生成脚本文件
│       └── verify_result.py    // 真值对比文件
│   ├── CMakeLists.txt          // 编译工程文件
│   ├── data_utils.h            // 数据读入写出函数
|   ├── l2_cache_optimizer.h    // L2Cache切分算法实现函数
│   └── matmul.asc              // Ascend C算子实现 & 调用样例

算子描述

  • 算子功能：

    Matmul算子M方向或者N方向切分输入的矩阵，将矩阵切分成多块数据，整体按数据切分的块数，分多次进行计算。每次计算前，第一个核第一次访问Global Memory上的矩阵时，会将切分后的一块矩阵数据加载到L2 Cache，其它核或第一个核后续数据访问都可以命中L2 Cache，以提高算子性能。

    本样例以AI处理器的L2 Cache大小192M为例，根据算子的输入、输出shape，计算算子输入和输出的总数据量为((30720 * 4096) + (4096 * 1024) + (1024) + (30720 * 1024)) * 2 = 322963456字节（约308M），大于L2 Cache（192M），无法保证计算前读取的数据能够命中L2 Cache，而Global Memory带宽低于L2 Cache，且两者之间差距较大，搬运数据成为算子运行的性能瓶颈。因此需要将输入数据切分成多块，使得每个数据块的计算数据量（包含输入和输出），能够命中L2 Cache。本样例提供了L2CacheOptimizer类，其中GetTileNum接口用于自动根据左右矩阵的Shape获取左右矩阵总L2切分份数，GetBlockShape接口获取L2切分后M、N、K轴的长度，GetBlockCoord接口返回对应切块的位置坐标，即M、N、K方向相对矩阵起始位置的偏移。

  • 算子规格：

    本样例中，算子实现支持的shape为：M = 30720, N = 1024, K = 4096。

    算子类型(OpType)Matmul
    算子输入nameshapedata typeformatisTrans
    a(30720, 4096)float16NDfalse
    b(4096, 1024)float16NDfalse
    bias(1024, )floatND-
    算子输出c (30720, 1024)float16ND-
    核函数名matmul_custom

  • 算子实现：

    • Kernel实现

      • 计算逻辑：C = A * B + Bias。
        • A、B为源操作数，A为左矩阵，形状为[M, K]；B为右矩阵，形状为[K, N]。
        • C为目的操作数，存放矩阵乘结果的矩阵，形状为[M, N]。
        • Bias为矩阵乘偏置，形状为[1, N]。对A*B结果矩阵的每一行都采用该Bias进行偏置。
      • 具体步骤：
        • 创建Matmul对象。
        • 初始化操作。
        • 设置左矩阵A、右矩阵B、Bias。根据L2CacheOptimizer类的GetTileNum接口获取左右矩阵总L2切分份数，循环多次计算。
          L2CacheOpt l2Opt(shapes, blockNum);
matmulObj.SetOrgShape(shapes.m, shapes.n, shapes.k);
for (int64_t tileIdx = curBlockIdx; tileIdx < l2Opt.GetTileNum(); tileIdx += blockNum) {
    auto blockShape = l2Opt.GetBlockShape(tileIdx);  // 获取单次计算L2切分块大小
    if (Get<0>(blockShape) <= 0 || Get<1>(blockShape) <= 0) {
        return;
    }
    auto blockCoord = l2Opt.GetBlockCoord(tileIdx);  // 获取当前计算下标blockCoord
    matmulObj.SetTail(Get<0>(blockShape), Get<1>(blockShape), Get<2>(blockShape));
    const auto& offsetCoord = CalcOffset(shapes, blockCoord); // 基于下标计算矩阵偏移
    int64_t offsetA = Get<0>(offsetCoord);
    int64_t offsetB = Get<1>(offsetCoord);
    int64_t offsetC = Get<2>(offsetCoord);
    matmulObj.SetTensorA(aGlobal[offsetA], false);
    matmulObj.SetTensorB(bGlobal[offsetB], false);
    if (shapes.isBias) {
        matmulObj.SetBias(biasGlobal);
    }
    matmulObj.IterateAll(cGlobal[offsetC]);  // 计算L2切分块
}
matmulObj.End();
        • 完成矩阵乘操作。
        • 结束矩阵乘操作。

    • Tiling实现

      • 本样例采取了常量化Tiling计算，在Kernel侧通过设置一组固定的基本块信息，其他Tiling信息在Kernel侧通过常量化推导，Kernel侧不再需要运行时Tiling信息。基于这组最优的基本块信息，能够适用输入Shape中M，N较大的场景。样例中提供了一种L2Cache切分算法（参考样例L2CacheOptimizer类）。该算法当前在Kernel侧完成计算L2切块份数，也可以自行迁移代码至Host侧计算。
      • L2CacheOptimizer具体计算步骤：
        • 判断是否需要进行L2分块
          bool smallDim = mTileNum_ < L1_MIN_UST_DIM && nTileNum_ < L1_MIN_UST_DIM;
if (smallDim || (!EnableL2Tile())) { // 判断计算数据总量是否小于L2Cache阈值
    mL2TileNum_ = mTileNum_;
    nL2TileNum_ = nTileNum_;
    mL2BlockNum_ = 1;
    nL2BlockNum_ = 1;
    return; // 不需要切分，提前返回
}
InitL2TileTail(); // 计算L2切分
        • 基于负载均衡，计算L2最优分块
          int64_t mConflict = INT64_MAX;
int64_t nConflict = INT64_MAX;
constexpr bool isNMajor = l1N > l1M; // 根据shape大小，判断主维度
for (int64_t i = maxMajor; i >= L1_MIN_UST_DIM; i--) {
    for (int64_t j = maxMinor; j >= minMinor; j--) {
        if (GetTotalSize(j * l1M, i * l1N, k_) <= L2_TILE_THRESHOLD) { // 确保分块小于L2Cache阈值
            uint64_t mConflictTmp = AscendC::Ceil(blockNum_, mL2TileNumTailTmp); // 计算负载冲突值
            uint64_t nConflictTmp = AscendC::Ceil(blockNum_, nL2TileNumTailTmp);
            if (mConflict >= mConflictTmp && nConflict >= nConflictTmp) { // 若冲突值更小，更新分块数量
                mConflict = mConflictTmp;
                nConflict = nConflictTmp;
                mL2TileNum_ = curMajorDim;
                nL2TileNum_ = curMinorDim;
            }
        }
    }
}

    • 调用实现
      使用内核调用符<<<>>>调用核函数。

编译运行

在本样例根目录下执行如下步骤，编译并执行算子。

  • 配置环境变量
    请根据当前环境上CANN开发套件包的安装方式，选择对应配置环境变量的命令。

    • 默认路径，root用户安装CANN软件包

      source /usr/local/Ascend/cann/set_env.sh

    • 默认路径，非root用户安装CANN软件包

      source $HOME/Ascend/cann/set_env.sh

    • 指定路径install_path，安装CANN软件包

      source ${install_path}/cann/set_env.sh

  • 样例执行

    mkdir -p build && cd build;    # 创建并进入build目录
cmake ..;make -j;    # 编译工程
python3 ../scripts/gen_data.py    # 生成测试输入数据
./demo                        # 执行编译生成的可执行程序，执行样例
python3 ../scripts/verify_result.py output/output.bin output/golden.bin    # 验证输出结果是否正确，确认算法逻辑正确

    执行结果如下，说明精度对比成功。

    test pass!