Real

产品支持情况

产品	是否支持
Atlas A2 训练系列产品/Atlas A2 推理系列产品	√

功能说明

• 算子功能：提取复数张量的实部（real part）。对于实数类型输入，输出等于输入（恒等操作）。

• 计算公式：

$$outpu{t}_i=\text{real}(inpu{t}_i)=\{\begin{array}{ll}\text{Re}(inpu{t}_i),& \text{if }inpu{t}_i\text{ is complex}\\ inpu{t}_i,& \text{if }inpu{t}_i\text{ is real}\end{array}$$

• 与PyTorch对应：torch.real()
• 与NumPy对应：np.real()

参数说明

参数名	输入/输出/属性	描述	数据类型	数据格式
input	输入	待提取实部的输入张量。	COMPLEX32, COMPLEX64, COMPLEX128, FLOAT16, FLOAT	ND
output	输出	提取出的实部张量。	FLOAT16, FLOAT, DOUBLE	ND
Tout	属性	可选属性，指定输出数据类型。默认值为DT_FLOAT(float32)。	Int	-

数据类型映射

输入类型	输出类型	Tiling Key	Tout值	说明
COMPLEX128	DOUBLE	-	-	提取复数实部 (AICPU only)
COMPLEX32	FLOAT16	1	1	提取复数实部
COMPLEX64	FLOAT	2	0	提取复数实部
FLOAT16	FLOAT16	4	1	恒等操作
FLOAT	FLOAT	5	0	恒等操作

注：

• COMPLEX128 类型仅支持 AICPU 实现，ascend910b 的 AICore 不支持该类型。
• Tout值为数据类型枚举值（DT_FLOAT=0, DT_FLOAT16=1, DT_DOUBLE=11），可通过Tout属性可选指定输出类型。

约束说明

• 输入张量的shape必须与输出张量的shape相同
• 支持动态shape和动态rank
• 输入数据不能为空

实现说明

目录结构

real/
├── op_host/                    # Host侧实现
│   ├── real_def.cpp           # 算子定义
│   ├── real_infershape.cpp    # Shape推导
│   └── real_tiling.cpp        # Tiling计算实现
├── op_kernel/                  # Kernel侧实现
│   ├── real.cpp               # Kernel入口
│   ├── real_kernel.h          # Kernel模板类实现
│   └── real_tiling.h          # Tiling数据结构定义
├── op_api/                     # API接口
│   ├── aclnn_real.cpp         # ACLNN接口实现
│   ├── aclnn_real.h           # ACLNN接口声明
│   ├── real.cpp               # 算子API实现
│   └── real.h                 # 算子API声明
├── docs/
│   └── aclnnReal.md           # API文档
├── examples/
│   └── test_aclnn_real.cpp    # ACLNN调用示例
└── tests/ut/                   # 单元测试
    ├── op_api/
    │   └── test_aclnn_real.cpp
    ├── op_host/
    │   └── test_real_tiling.cpp
    └── op_kernel/
        ├── test_real.cpp
        └── real_data/
            ├── gen_data.py
            └── compare_data.py

Tiling参数说明

• totalUsedCoreNum: 实际使用的总核数
• tailBlockNum: 大核数量（余数block数）
• ubPartDataNum: 每次UB循环处理的元素数
• smallCoreDataNum: 小核数据量（元素数）
• smallCoreLoopNum: 小核UB循环次数
• smallCoreTailDataNum: 小核最后一次循环的元素数
• bigCoreDataNum: 大核数据量（元素数）
• bigCoreLoopNum: 大核UB循环次数
• bigCoreTailDataNum: 大核最后一次循环的元素数
• tilingKey: 算子类型标识（1=complex32, 2=complex64, 4=float16, 5=float）
• useNonInplace: 是否使用非inplace GatherMask路径（0=inplace, 1=非inplace）

多核处理策略（大小核分核）

1. 对齐粒度：

   • Complex类型：128B对齐（满足GatherMask inplace的256B源数据约束）
   • Real类型：32B对齐

2. 分核策略（参考Exp算子）：

   • 按输出数据类型字节数将总数据量对齐到对应block
   • totalBlocks = Align(totalLength * dataTypeLength, alignSize) / alignSize
   • 若 ubPartDataNum >= totalLength：使用1核
   • 否则：coreNum = min(totalCoreNum, totalBlocks)
   • everyCoreBlockNum = totalBlocks / coreNum，tailBlockNum = totalBlocks % coreNum

3. 大小核分配：

   • 前 tailBlockNum 个核为大核，数据量 = (everyCoreBlockNum + 1) * alignSize / dataTypeLength
   • 其余核为小核，数据量 = everyCoreBlockNum * alignSize / dataTypeLength
   • 大小核负载差 ≤ 1 个 block

4. 偏移计算：

   • 大核：globalOffset = blockIdx * bigCoreDataNum
   • 小核：globalOffset = blockIdx * bigCoreDataNum - (bigCoreDataNum - smallCoreDataNum) * (blockIdx - tailBlockNum)
   • Complex类型输入：inputOffset = globalOffset * 2（每个元素占2个output元素空间）

Complex双路径策略

GatherMask inplace要求 count * 2 * sizeof(T) % 256 == 0，tiling据此选择路径：

1. Inplace路径（useNonInplace=0）：

   • 适用：多核场景 / 单核且totalLength满足256B对齐
   • UB分配：inQueue(2x) × 2缓冲 = 4倍系数
   • GatherMask inplace：GatherMask(src, src, mode=1, ...)，pipeline prefetch优化

2. 非Inplace路径（useNonInplace=1）：

   • 适用：单核且totalLength不满足256B对齐（如complex32 [4,4]=16元素，16×2×2=64 < 256）
   • UB分配：inQueue(2x) + outQueue(1x) × 2缓冲 = 6倍系数
   • GatherMask非inplace：GatherMask(dst, src, mode=1, mask=count*2, repeatTimes=1)

调用说明

ACLNN API调用

参见 examples/test_aclnn_real.cpp 示例代码：

#include "aclnnop/aclnn_real.h"

// 1. 获取workspace大小
aclnnStatus aclnnRealGetWorkspaceSize(const aclTensor* self,
                                      aclTensor* out,
                                      uint64_t* workspaceSize,
                                      aclOpExecutor** executor);

// 2. 执行算子
aclnnStatus aclnnReal(void* workspace,
                      uint64_t workspaceSize,
                      aclOpExecutor* executor,
                      aclrtStream stream);

注意： ACLNN API使用self和out作为参数名，与图模式的input/output不同。

参考文献

• PyTorch torch.real
• NumPy np.real
• AscendC编程指南

贡献说明

贡献者	贡献方	贡献算子	贡献时间	贡献内容
alfengyuan	个人开发者	Real	2026/3/30	新增Real算子