CgetriBatched

产品支持情况

产品	是否支持
Atlas 200I/500 A2 推理产品	×
Atlas 推理系列产品	×
Atlas 训练系列产品	×
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	√
Ascend 950PR/Ascend 950DT	×

功能说明

• 接口功能
  aclsolverCgetriBatched：计算批量复数矩阵的逆矩阵，适用于矩阵维度较大的场景（n > 32）。

• 计算公式

  $$A^{-1}A=I$$

  其中$A$为$n\times n$阶非奇异复数方阵，$I$为$n$阶单位矩阵。

• 示例
  输入"A"为：

  [4+0i, 3+0i, 2+0i, 1+0i
   3+0i, 4+0i, 3+0i, 2+0i
   2+0i, 3+0i, 4+0i, 3+0i
   1+0i, 2+0i, 3+0i, 4+0i]
  
  [4+0i, 3+0i, 2+0i, 1+0i
   3+0i, 4+0i, 3+0i, 2+0i
   2+0i, 3+0i, 4+0i, 3+0i
   1+0i, 2+0i, 3+0i, 4+0i]
  

  输入"n"为： 4
  输入"batchSize"为：2
  调用"aclsolverCgetriBatched"算子后，
  输出"Ainv"为：

  [0.4+0i, -0.3+0i, 0.2+0i, -0.1+0i
   -0.3+0i, 0.6+0i, -0.4+0i, 0.2+0i
   0.2+0i, -0.4+0i, 0.6+0i, -0.3+0i
   -0.1+0i, 0.2+0i, -0.3+0i, 0.4+0i]
  
  [0.4+0i, -0.3+0i, 0.2+0i, -0.1+0i
   -0.3+0i, 0.6+0i, -0.4+0i, 0.2+0i
   0.2+0i, -0.4+0i, 0.6+0i, -0.3+0i
   -0.1+0i, 0.2+0i, -0.3+0i, 0.4+0i]
  

函数原型

• 函数定义

  aclError aclsolverCgetriBatched(
      aclsolverHandle_t handle,
      const int64_t n, 
      std::complex<float> *A, 
      const int64_t lda, 
      std::complex<float> *Ainv, 
      const int64_t lda_inv, 
      int32_t *info, 
      int64_t batchSize);
  

• 参数说明：

  参数名	输入输出	描述
  handle	输入	solver handle，通过aclsolverCreate创建
  n	输入	单个矩阵A的行数和列数（方阵）
  A	输入	公式中的矩阵A，行主序 数据类型仅支持COMPLEX64，数据格式支持ND，shape为[batch, n, n]
  lda	输入	A同一列中相邻两行元素间的内存地址偏移量（leading dimension）（当前约束为n）
  Ainv	输出	输出的逆矩阵 数据类型仅支持COMPLEX64，数据格式支持ND，shape为[batch, n, n]
  lda_inv	输入	输出的逆矩阵同一列中相邻两行元素间的内存地址偏移量（leading dimension）（当前约束为n）
  info	输出	每个batch矩阵的求逆结果信息 数据类型支持int32_t，数据格式支持ND，shape为[batch, 1]
  batchSize	输入	复数矩阵求逆中的矩阵数量

• 算子约束：

  • lda、lda_inv、info参数在当前版本实际未启用。
  • 入参n大于等于32且小于等于256。
  • 入参batchSize小于等于3000。

• 调用实现
  使用内核调用符<<<>>>调用核函数。

调用示例

• 完整代码示例：测试文件待补充

• 核心调用步骤：

  #include <vector>
  #include <complex>
  #include "acl/acl.h"
  #include "cann_ops_solver.h"
  
  int32_t main(int32_t argc, char *argv[])
  {
      // 固定写法，acl初始化
      int32_t deviceId = 0;
      aclrtStream stream = nullptr;
      aclInit(nullptr);
      aclrtSetDevice(deviceId);
      aclrtCreateStream(&stream);
  
      // 创建solver handle并设置stream
      aclsolverHandle_t handle = nullptr;
      aclsolverCreate(&handle);
      aclsolverSetStream(handle, stream);
  
      // 构造输入数据
      int64_t batchSize = 2;
      int64_t n = 4;
      int64_t tensorASize = batchSize * n * n;
      std::vector<std::complex<float>> tensorInAData;
      std::vector<std::complex<float>> tensorInAinvData;
      std::vector<int32_t> tensorInInfoData;
      tensorInAData.resize(tensorASize);
      tensorInAinvData.resize(tensorASize);
      tensorInInfoData.resize(batchSize);
      for (int32_t batchIdx = 0; batchIdx < batchSize; batchIdx++) {
          for (int32_t i = 0; i < n; i++) {
              for (int32_t j = 0; j < n; j++) {
                  if (i == j) {
                      tensorInAData[n * n * batchIdx + n * i + j] = {4.0f, 0.0f};
                  } else {
                      tensorInAData[n * n * batchIdx + n * i + j] = {static_cast<float>(n - std::abs(i - j)), 0.0f};
                  }
              }
          }
      }
      for (int32_t batchIdx = 0; batchIdx < batchSize; batchIdx++) {
          for (int32_t i = 0; i < n; i++) {
              for (int32_t j = 0; j < n; j++) {
                  tensorInAinvData[n * n * batchIdx + n * i + j] = {-1.0f, -1.0f};
              }
          }
      }
      for (int32_t batchIdx = 0; batchIdx < batchSize; batchIdx++) {
          tensorInInfoData[batchIdx] = 0;
      }
  
      // 调用 aclsolverCgetriBatched
      auto ret = aclsolverCgetriBatched(handle, n, tensorInAData.data(), n, tensorInAinvData.data(), n, tensorInInfoData.data(), batchSize);
      CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclsolverCgetriBatched failed. ERROR: %d\n", ret); return ret);
  
      // 释放资源
      aclsolverDestroy(handle);
      aclrtDestroyStream(stream);
      aclrtResetDevice(deviceId);
      aclFinalize();
  
      return 0;
  }