【CANN训练营】算子开发概述_算子库

课程目标

1.知道什么场景下需要进行自定义算子开发
2.了解CANN提供的几种算子类型及如何选择开发方式
3.了解CANN算子的编译运行流程以及算子交付件的作用
4.了解算子的基本概念

预备知识

1.具有Python以及C++语言程序开发能力
2.了解CANN的基本架构

算子开发背景

算子定义：深度学习算法由一个个计算单元组成，我们称这些计算单元为算子（Operator，简称OP）。在网络模型中，算子对应层或节点的计算逻辑。图中每个结点均为一个算子：

加速库/计算库：针对某种计算逻辑开发一个通用实现

昇腾算子库

NN（NeuralNetwork）算子库：覆盖了包括TensorFlow、Pytorch、Mindspore、ONNX框架在内的常用深度学习算法的计算类型，在算子库中占有最大比重。
BLAS（Basic LinearAlgebra Subprograms）算子库基础线性代数程序集，是进行向量和矩阵等基本线性代数作的数库。
DVPP（DigitalVideoPre-Processor）算子库：提供高性能的视频编解码、图片编解码、图像裁剪缩放等预处理力。
AIPP（AIPre-Processing）算子库：主要实现改变图像尺寸、色域转换（转换图格式）、减均值/乘系数（图像归一化），并与模型理过程融合，以满足推理输入要求。HCCL （Huawvei Collective Communication Library）算子库：提供单机多卡以及多机多卡间的Broadcast，allreduce，reducescatter，allgather等集合通信功能在分布式训练中提供高效的数据传输能力。

什么场景下需要进行自定义算子开发？

一般场景下，开发者无需自己开发算子，但若遇到以下场景，开发者需要考虑进行自定义算子的开发。训练场景下，将第三方框架（例如TensorFlow、PyTorch等）的网络训练脚本迁移到异腾平台时遇到了不支持的算子。
推理场景场景下，将第三方框架模型（例如TensorFlow、Caffe、ONNX等）使用ATC工具转换为适配异腾平台的离线模型时遇到了不支持的算子。
网络调优时，发现某算子性能较低，想重新开发一个高性能算子替换性能较低的算子。
推理场景下，若应用程序中的某些逻辑涉及到数学运算（例如查找最大值，进行数据类型转换等）开发者可以将这些操作通过自定义算子的方式进行实现，然后在应用程序中对算子进行调用，从而利用昇腾AI处理器进行加速.
例如，针对一个分类应用，我们想从分类模型的推理结果中查找可能性最大的+前5个标识，则可以实现一个查找最大值的算子（例如ArgMax），后续就可以直接通过AscendcL接口调用此算子实现对推理结果的后处理。

CANN算子类型

算子编译运行流程

1第三方架网络模型首需要过解析，转为中间的IR（lntermediateRepresentation）Graph。这一步需要算子适配插件实现第三方框架算子到CANN算子的映射
2 然后调用每一个算子的IR（算子原型），进行基本参数校验、静态内存的推导等。算子的原型定义了每个算子在异腾AI处理器上的运行约束，包括输入输出属性的各种特征。
3 图编译器会进行一些图的拆分优化动作，并会根据算子信息库进行算子的匹配选择，优先基于TBE算子信息库判断算子支持度，若TBE不支持，再基于AICPU算子信息库判断是否支持
4 匹配到算子后，图编译器会对我们开发的算子实现代码进行编译，生成算子的Task信息
5. 图编译完成后，最终生成可执行的om模型

算子运行流程

算子开发交付件

算子基本概念

算子是一个函数空间到函数空间上的映射：X→X；广义的讲，对任何函数进行某一项操作都可以认为是一个算子。于我们而言，我们所开发的算子是网络模型中涉及到的计算函数。在Caffe中，算子对应层中的计算逻辑，例如：卷积层（ConvolutionLayer）中的卷积算法，是一个算子；全连接层（Fully-connected Layer，Fclayer）中的权值求和过程，是一个算子。

算子类型（Type）

算子的type，代表算子的类型，例如卷积算子的类型为Convolution，在一个网络中同一类型的算子可能存在多个。

算子名称（Name）

算子的名称，用于标识网络中的某个算子，同一网络中算子的名称需要保持唯一。如下图所示conv1，pool1conv2都是此网络中的算子名称，其中conv1与conv2算子的类型为Convolution，表示分别做一次卷积运算。