LayerNormGradBeta样例
概述
本样例基于Kernel直调算子工程，介绍了调用LayerNormGradBeta高阶API实现layernormgradbeta单算子，LayerNormGradBeta是对于每一层的输入做规范化处理，使得每一层的分布尽可能的相同，从而加速训练过程和提高模型的泛化能力（有效减少梯度消失和梯度爆炸问题）。
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
├── layernormgradbeta
│ ├── scripts
│ │ ├── gen_data.py // 输入数据和真值数据生成脚本
│ ├── CMakeLists.txt // 编译工程文件
│ ├── data_utils.h // 数据读入写出函数
│ └── layernormgradbeta.asc // Ascend C算子实现 & 调用样例
算子描述
-
算子功能：
layernormgradbeta单算子，LayerNormGradBeta是对于每一层的输入做规范化处理，使得每一层的分布尽可能的相同,基本思想是对于每个batch中的样本，对其输入的每个特征在batch的维度上进行归一化。具体来说，对于输入特征x，LayerNormGradBeta的计算过程可以表示为：
对输入特征x，在batch维度上计算均值μ和方差σ：μi=1B∑j=1Bxj,iδi2=1B∑j=1B(xj,i−μi)2\mu_i = \frac{1}{B} \sum_{j = 1}^{B} x_{j,i} \quad \delta_i^2 = \frac{1}{B} \sum_{j = 1}^{B} (x_{j,i} - \mu_i)^2
对于每个特征i，对输入特征x进行归一化：
xj,i^=xj,i−μiδi2+ε\hat{x_{j,i}} = \frac{x_{j,i} - \mu_i}{\sqrt{\delta_i^2+\varepsilon}}
对归一化后的特征进行缩放和平移：
yj,i=γ^ixj,i+βi=BNγβ(xj,i)y_{j,i}=\hat{\gamma}_{i} x_{j,i}+\beta_i = BN_{\gamma\beta}(x_{j,i})
-
算子规格：
算子类型(OpType) layernormgradbeta 算子输入 name shape data type format inputX_gm 8 * 8 * 8 float ND gamma_gm 8 float ND beta_gm 8 float ND 算子输出 output 8 * 8 * 8 float ND outputMean 8 * 8 float ND outputVariance 8 * 8 float ND 核函数名 layernormgradbeta_custom -
算子实现：
本样例中实现的是固定shape(x[8, 8, 8], gamma[8], beta[8])的layernormgradbeta算子。-
kernel实现
计算逻辑是：Ascend C提供的矢量计算接口的操作元素都为LocalTensor，输入数据需要先搬运进片上存储，然后使用LayerNormGradBeta高阶API接口完成layernormgradbeta计算，得到最终结果，再搬出到外部存储上。
layernormgradbeta算子的实现流程分为3个基本任务：CopyIn，Compute，CopyOut。CopyIn任务负责将Global Memory上的输入Tensor inputX_gm、gamma_gm、beta_gm Memory搬运至LocalMemory，分别存储在inputXLocal、gammaLocal、betaLocal中，Compute任务负责对inputXLocal、gammaLocal、betaLocal执行layernormgradbeta计算，计算结果存储在outputLocal、meanLocal、varianceLocal中，CopyOut任务负责将输出数据从outputLocal、meanLocal、varianceLocal搬运至Global Memory上的输出Tensor output、outputMean、outputVariance中。
-
tiling实现
layernormgradbeta算子的tiling实现流程如下：首先获取LayerNormGradBeta接口能完成计算所需最大/最小临时空间大小，根据该范围结合实际的内存使用情况设置合适的空间大小，然后根据输入shape、剩余的可供计算的空间大小等信息获取LayerNormGradBeta kernel侧接口所需tiling参数。
-
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，执行样例执行结果如下，说明精度对比成功。
test pass!