| optimize the performance of aicpu concatv2 operator
Co-authored-by: ZhaiPeiChao<zhaipeichao@huawei.com>
# message auto-generated for no-merge-commit merge:
!2395 merge master into master
optimize the performance of aicpu concatv2 operator
Created-by: ZhaiPeiChao
Commit-by: ZhaiPeiChao
Merged-by: cann-robot
Description: ## 描述
对 conversion/concat_v2 aicpu 算子进行性能优化重构。
**修改位置**
- conversion/concat_v2/op_kernel_aicpu/concat_v2_aicpu.h
- conversion/concat_v2/op_kernel_aicpu/concat_v2_aicpu.cpp
- conversion/concat_v2/tests/ut/op_kernel_aicpu/test_concat_v2.cpp
**修改原因与方法**
原实现在热路径上存在多项性能与工程规范问题，导致小张量多输入场景延迟偏高、多核扩展性受限：
1. **去除 Eigen 与 shared_ptr 抽象层**：原代码每个输入都 std::make_shared<Eigen::TensorMap<...>> 构造访问器，一次 Compute 产生 N 次堆分配，热路径存在两层指针解引用（shared_ptr → TensorMap → data），并因 shared_ptr 控制块在 shard 间拷贝导致引用计数原子 RMW 造成跨核 cache-line ping-pong。改为 POD 描述符 ConcatV2InputDesc{const T* base; int64_t dim1}，在 Prepare 阶段一次性构建，热路径零分配、单层解引用。
2. **按自然边界（整行 / 输入区间）并行**：原 ParallelFor 使用元素级 grain（sizeof(T)），每个 shard 要处理"首尾半行"边界，分支多、memcpy 长度不稳定、任务数量级过大。改为按行切分（ByRow 路径）或按输入区间切分（ByInput 路径），per_unit_size 传整行字节数，shard 永远对齐到自然边界，每段都能走 libc memcpy ifunc 快路径。
3. **退化形态专用分支**：flat_dim0 == 1（含 axis=0、一维）场景走 ByInput 路径，通过前缀 offset + 输出区间切分让各 shard 写入不相交区间，彻底消除 false sharing；N == 1、空输入等也做前置处理。
4. **热内核函数 static 模板化 + 显式捕获 lambda**：CopyOneRow 改为头文件中的 static 模板函数，去 this 指针便于跨 TU 内联；并行 lambda 由默认捕获 [this, &...] 改为显式捕获，同时用 std::atomic<uint32_t> + memory_order_relaxed 收敛 shard 错误，避免原实现中 memcpy_s 失败被静默。
5. **合规与可维护性**：reinterpret_cast 替换为 aicpu::PtrToPtr；Compute 拆分为 CheckParams / ParseInputs / ValidateShapes / DoCompute<T> 等小函数（单函数 ≤ 50 行、圈复杂度 ≤ 5）；不改成员的方法加 const；关键路径补 KERNEL_LOG_INFO，错误分支补 KERNEL_LOG_ERROR 含上下文信息；CPU 核使用策略（是否预留）与原实现一致。
6. **UT 扩展**：在原 16 例基础上新增 9 例（共 25 例），覆盖新增的 ByRow/ByInput 分派路径、axis=0 与一维退化形态、N=1、空输入、多 dtype、错误路径，保证优化前后行为严格等价。
## 关联的Issue
[#1342](https://gitcode.com/cann/ops-math/issues/1342)
## 测试
- **UT 全量回归**：直接 cmake 构建 math_aicpu_op_kernel_ut（绕开 build.sh --opkernel_aicpu_test 的 UT_TARGETS=() 已知 bug），25 例 UT 全部通过，覆盖常规路径、退化形态、错误路径、全部支持的 dtype。
- **等价性验证**：独立 microbench 对 7 个典型输入场景（小张量 × N 大、中等带宽、大张量、axis=0、N=1 等）执行 std::memcmp 逐字节比对，新旧实现输出完全一致。
- **性能验证**：在 1 / 4 / 10 三档线程下采集实测数据，典型场景加速 1.8×–7.6×。
## 文档更新
无。
## 类型标签
- [ ] Bug修复
- [ ] 新特性
- [x] 性能优化
- [ ] 文档更新
- [ ] 其他，请描述：
See merge request: cann/ops-math!2395 | 1 个月前 |
