本项目是CANN提供的一款高效、可靠的高性能信号处理算子加速库，基于华为Ascend AI处理器，专门为信号处理领域而设计。
AscendSiPBoost 信号处理加速库
🔥 [2025/10] AscendSiPBoost项目（下文简称为SiP库）首次上线。
内容总览
1. 学习资源
2. 什么是SiP
Ascend Signal Processing Boost（昇腾信号处理加速库，下文简称为SiP库）基于华为Ascend AI处理器打造，深度适配硬件算力、存储及内存带宽特性，提供FFT、BLAS、FIR滤波、插值等高性能NPU算子，为信号处理领域提供高效可靠的算力加速。
加速库接口功能主要分成六个部分：
- 信号处理加速库框架：负责算子的管理，算子在Device侧的二进制加载以及Host侧的tiling；负责对上层提供接口支持单算子调用、多算子批量调用等。
- FFT库：包括专用的NPU Kernel、PLAN框架；实现FFT系列算子，对外提供接口以支持C2C、C2R和R2C功能，供开发者使用。
- BLAS库：依照BLAS相关的标准定义，提供专用的Kernel，实现BLAS系列算子功能，对外提供从level1到level3的接口，供开发者使用。
- 复数基础计算库：提供基础的复数类型算子支持。
- 信号领域融合算子库：包含PC、MTD、CFAR、Interpolation等融合算子，支撑脉冲信号分析，动态目标检测，恒虚警等场景。
- Solver库：主要提供基于BLAS的复杂线性代数函数，例如矩阵分解、特征值求解等。
3. 环境构建
3.1 快速安装CANN软件
本节提供快速安装CANN软件的示例命令，更多安装步骤请参考CANN官网的CANN软件安装指南。
3.1.1 安装前准备
本项目源码编译用到的依赖如下，请注意版本要求。
- python >= 3.7.0
- pyyaml
- gcc >= 7.3.0
- g++ >= 7.3.0
- cmake >= 3.16.0
- pigz（安装后可提升打包速度，建议版本 >= 2.4）
- dos2unix
- numpy
- googletest（仅执行UT时依赖，建议版本 release-1.11.0）
上述依赖可通过项目脚本一键安装，操作步骤如下：
bash install_deps.sh
安装完后，再通过项目根目录requirements.txt继续安装python三方库依赖，命令如下:
pip3 install -r requirements.txt
3.1.2 安装社区版CANN toolkit包
- Atlas A2/A3系列产品：单击下载链接获取软件包，选择最新时间版本，并根据产品型号和环境架构下载对应包。
# 确保安装包具有可执行权限
chmod +x Ascend-cann-toolkit_${cann_version}_linux-${arch}.run
# 安装命令
./Ascend-cann-toolkit_${cann_version}_linux-${arch}.run --install --force --install-path=${install_path}
- ${cann_version}：表示CANN包版本号。
- ${arch}：表示CPU架构，如aarch64、x86_64。
- ${install_path}：表示指定安装路径，默认安装在
/usr/local/Ascend目录。
3.1.3 安装社区版CANN ops包
- Atlas A2/A3系列产品：单击下载链接获取软件包，选择最新时间版本，并根据产品型号和环境架构下载对应包。
# 确保安装包具有可执行权限
chmod +x Ascend-cann-${soc_name}-ops_${cann_version}_linux-${arch}.run
# 安装命令
./Ascend-cann-${soc_name}-ops_${cann_version}_linux-${arch}.run --install --install-path=${install_path}
- ${soc_name}：表示NPU型号名称，即${soc_version}删除“ascend”后剩余的内容。
- ${install_path}：表示指定安装路径，需要与toolkit包安装在相同路径，默认安装在
/usr/local/Ascend目录。
3.1.4 环境变量配置
# 默认路径安装，以root用户为例（非root用户，将/usr/local替换为${HOME}）
source /usr/local/Ascend/cann/set_env.sh
# 指定路径安装
# source ${install_path}/cann/set_env.sh
3.1.5 基础工具版本要求与安装
安装CANN之后，您可安装一些工具方便后续开发，参见以下内容：
4. 快速上手
4.1 SiP编译
-
加速库下载
git clone https://gitcode.com/cann/sip.git您可自行选择需要的分支。
-
SiP库编译
编译加速库，设置加速库环境变量：cd ${sip_root_path} bash build.sh source output/set_env.sh特别说明：
-
Ascend-cann-SIP_${version}_linux_${arch}.run是编译后通过makeself打包的包含算子执行所需文件的可执行产物，用户可以通过以下命令执行run包将包含算子信息的文件安装到指定目录。# 确保安装包具有可执行权限 chmod +x Ascend-cann-SIP_${version}_linux_${arch}.run # 安装命令 ./Ascend-cann-SIP_${version}_linux_${arch}.run --install --install-path=${install_path} -
上述编译方式仅支持编译通过git下载的加速库，以zip压缩包方式下载的加速库不支持该编译方式；
-
由于编译过程需要联网下载依赖库，因此编译环境需要联网；
-
该编译过程包括获取ascend-boost-comm（昇腾分布式通信加速库）组件并编译该组件，和编译信号加速库两个步骤。更多命令介绍可查看SiP仓库
build.sh文件。
-
-
更多编译命令说明请参考编译与构建
4.2 调用示例说明
本节示例代码分别展示了如何通过C++调用算子。
4.2.1 C++
在SiP仓库的example目录下，存放了多个不依赖测试框架、即编可用的算子调用Demo示例。本节示例代码展示通过C++调用SiP asdBlasSdot算子实现向量点乘（内积）功能，代码完整内容可参考example，下面仅展示其核心内容：
int main(int argc, char **argv)
{
// 设置算子使用的device id
int deviceId = 0;
//（固定写法）创建执行流
aclrtStream stream;
Init(deviceId, &stream);
// 创造tensor的Host侧数据
int64_t n = 5;
int64_t incx = 1;
int64_t incy = 1;
int64_t xSize = 5;
std::vector<float> tensorInXData;
tensorInXData.reserve(xSize);
for (int64_t i = 0; i < xSize; i++) {
tensorInXData[i] = 1.0 + i;
}
int64_t ySize = 5;
std::vector<float> tensorInYData;
tensorInYData.reserve(xSize);
for (int64_t i = 0; i < ySize; i++) {
tensorInYData[i] = 10.0 + i;
}
int64_t resultSize = 1;
std::vector<float> resultData;
resultData.reserve(resultSize);
std::cout << "------- input x -------" << std::endl;
for (int64_t i = 0; i < xSize; i++) {
std::cout << tensorInXData[i] << " ";
}
std::cout << std::endl;
std::cout << "------- input y -------" << std::endl;
for (int64_t i = 0; i < ySize; i++) {
std::cout << tensorInYData[i] << " ";
}
std::cout << std::endl;
// 创造输入/输出tensor
std::vector<int64_t> xShape = {xSize};
std::vector<int64_t> yShape = {ySize};
std::vector<int64_t> resultShape = {resultSize};
aclTensor *inputX = nullptr;
aclTensor *inputY = nullptr;
aclTensor *result = nullptr;
void *inputXDeviceAddr = nullptr;
void *inputYDeviceAddr = nullptr;
void *resultDeviceAddr = nullptr;
CreateAclTensor(tensorInXData, xShape, &inputXDeviceAddr, aclDataType::ACL_FLOAT, &inputX);
CreateAclTensor(tensorInYData, yShape, &inputYDeviceAddr, aclDataType::ACL_FLOAT, &inputY);
CreateAclTensor(resultData, resultShape, &resultDeviceAddr, aclDataType::ACL_FLOAT, &result);
// 创建算子执行句柄
asdBlasHandle handle;
asdBlasCreate(handle);
// 创造算子执行所需workspace
size_t lwork = 0;
void *buffer = nullptr;
asdBlasMakeDotPlan(handle);
asdBlasGetWorkspaceSize(handle, lwork);
if (lwork > 0) {
aclrtMalloc(&buffer, static_cast<int64_t>(lwork), ACL_MEM_MALLOC_HUGE_FIRST);
}
asdBlasSetWorkspace(handle, buffer);
// 配置算子执行信息
asdBlasSetStream(handle, stream);
// 调用接口执行算子（固定调用逻辑）
asdBlasSdot(handle, n, inputX, incx, inputY, incy, result);
asdBlasSynchronize(handle);
// 调用算子后销毁算子句柄
asdBlasDestroy(handle);
// 将输出tensor的Device侧数据复制到Host侧内存上
aclrtMemcpy(resultData.data(),
resultSize * sizeof(float),
resultDeviceAddr,
resultSize * sizeof(float),
ACL_MEMCPY_DEVICE_TO_HOST);
std::cout << "------- result -------" << std::endl;
for (int64_t i = 0; i < 1; i++) {
std::cout << resultData[i] << " ";
}
std::cout << std::endl;
// 资源释放
aclDestroyTensor(inputX);
aclDestroyTensor(inputY);
aclDestroyTensor(result);
aclrtFree(inputXDeviceAddr);
aclrtFree(inputYDeviceAddr);
aclrtFree(resultDeviceAddr);
if (lwork > 0) {
aclrtFree(buffer);
}
// 调用算子后重置算子使用的deviceId
aclrtDestroyStream(stream);
aclrtResetDevice(deviceId);
aclFinalize();
return 0;
}
文件编译说明：进入example目录，执行bash build.sh完成编译和执行。
cd example
bash build.sh
算子使用指导：可访问头文件列表-CANN社区版-昇腾社区。
4.2.2 样例安全声明
example目录下的样例旨在提供快速上手、开发和调试SiP特性的最小化实现，其核心目标是使用最精简的代码展示SiP核心功能，而非提供生产级的安全保障。与成熟的生产级使用方法相比，此样例中的安全功能（如输入校验、边界校验）相对有限。
SiP不推荐用户直接将样例作为业务代码，也不保证此种做法的安全性。若用户将example中的示例代码应用在自身的真实业务场景中且发生了安全问题，则由用户自行承担。
4.3 日志和环境变量说明
- 加速库日志现在已经部分适配CANN日志，环境变量说明请参考 CANN社区版文档/环境变量参考。
5. 自定义算子开发
详细步骤可参考从开发一个简单算子出发
6. 参与贡献
- fork仓库
- 修改并提交代码
- 新建Pull-Request
详细步骤可参考贡献指南