【华为微认证】基于昇腾AI处理器的算子开发 知识点概括&考试解答_华为算子

网址（付费认证项目）： 

一共五次考试机会，考完后需要重新购买课程。算子开发网络模型迁移技术学习认证_基于昇腾AI处理器的算子开发微认证_华为云学院-华为云

低分飘过～～来写点知识点

参考：昇腾社区-官网丨昇腾万里 让智能无所不及
知识点依据考题进行总结

目录
1.为什么要编写TBE算子

2.TBE基础知识
3.TBE算子开发流程

 1.为什么要编写TBE算子

Ascend 模型：

 原始模型输入——ATC模型转换——自定义算子开发——整网性能调优——整网泛化测试

其中，原始模型指Caffe或TensorFlow的模型

ATC模型转换会出现算子不支持的情况

模型转换

将开源框架的网络模型 通过ATC 转换成异腾AI处理器支持的离线模型 
实现 算子调度的优化、权值数据重排、内存使用优化等

可以脱离设备完成模型预处理

1.TensorFlow/Caffe
｜
｜（Model file）
｜
｜
2.ATC工具
｜
｜（图准备，图优化，图拆分，图编译）
｜
｜
3.Model
.om file
 

常见问题：

算子不支持（80%）

原因：
1.新网络，其中算子未开发或发布
2.原框架自定义算子，需要在新框架重新适配开发
3.算子泛化不够，某些数据大小不支持

解决办法：
TBE自定义算子

2.TBE基础知识 

WHAT IS TBE？

Tensor Boost Engine，自定义算子开发工具
1.开发运行在NPU上
2.在TVM( TensorVirtual Machine)框架基础上扩展
3.提供了一套Python API来实施开发活动

WHY？ 

1.昇腾AI软件栈不支持开发者网络中的算子

2.开发者想要自己开发算子来提高计算性能
3.开发者想要修改现有算子中的计算逻辑

WHAT IS NPU? 

Neural-network Processing Unit，神经网络处理器
维基百科中，NPU被指向了“人工智能加速器”, 释义：“人工智能加速器" 是一类专用于人工智能硬件加速的微处理器或计算系统。典型的应用包括机器人学、物联网等数据密集型应用或传感器驱动的任务。

本系列课程中，NPU可以特指为昇腾AI处理器

算子

基本概念
一个函数空间到函数空间上的映射O: X一X;
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

举例：
卷积层 (Convolution Layer) 中的卷积算法，是一个算子；
全连接层中的权值求和过程，是一个算子 

类型：type
在一个网络中同一类型的算子可能存在多个。

例如卷积算子的类型为Convolution

名称：name
同一网络中每一个算子的名称需要保持唯一

比如，conv1和conv2都是Convolution类型，

        表示分别做一次卷积运算，

        但是每次运算的名称不能重复

张量（tensor）

Tensor是TBE算子中的数据，包括输入数据与输出数据，TensorDesc (Tensor描述符)是对输入数据与输出数据的描述，TensorDesc数据结构包含如下属性:

• 名称 (name)----用于对Tensor进行索引，不同Tensor的name需要保持唯一
• 形状 (shape)----Tensor的形状，比如 (10,) 或者 (1024，1024) 或者（2，3，4) 等
                           默认值:无
                           形式: (i1,i2,...in)，其中i1，i2，in为正整数
• 数据类型 (dtype)----功能描述: 指定Tensor对象的数据类型
                                  默认值: 无
                                  取值范围: float16, float32, int8,int16,int32,uint8,uint16, bool
                                  说明：不同计算操作支持的数据类型不同
• 数据排布格式 (format)----多个维度的排布顺序

张量形状 (Shape)

物理含义:

以shape = (4,20,20,3)为例，每个像素点都由红/绿/蓝3色组成，即shape里面3的含义，照片的宽和高都是20，也就是20*20=400人像素，总共有4张的照片

张量--数据排布格式(Format)

在深度学习框架中，多维数据通过多维数组存储

比如，卷积神经网络的特征图用四维数组保存，四个维度分别为

批量大小(Batch，N) 、

特征图高度.(Height，H) 、

特征图宽度(Width,W)

特征图通道 (Channels，C)

序存储特征图数据的顺序：
caffe：NCHW

Tensorflow：NHWC
 

算子属性--轴（axis）

升维--广播机制 (Broadcast)

•  TBE支持的广播规则: 可以将一个数组的每一个维度扩展为一个固定的shape，需要被扩展的数组的每个维度的大小或者与目标shape相等，或者为1，广播会在元素个数为1的维度上进行。
• 例如: 原数组a的维度为 (2, 164) ，目标shape为 (2, 128,64) ，则通过广播可以将a的维度扩展为目标shape (2128,64)。
• TBE的计算接口加、减、乘、除等不支持自动广播，要求输入的两个Tensor的shape相同，所以操作前，我们需要先计算出目标shape，然后将每个输入Tensor广播到目标shape再进行计算。

例：
Tensor A的shape为 (4, 3,1,5)，Tensor B的shape为 (1,1,2,1)，执行TensorA + Tensor B 

1. 计算出目标shape。
   A( 4 , 3 , 1, 5 ),B ( 1 , 1 , 2 , 1)----->取每个维度的最大值，构建C（4，3，2，5）
2. 调用广播接口分别将Tensor A与Tensor B扩展到目标Shape C。
3. 调用计算接口，进行Tensor A + Tensor B。
    

需要广播的tensor的shape需要满足规则：每个维度的大小或者与目标shape相等，或者为1

降维 (Reduction)

将多维数组的指定轴做降维操作

ReductionOp：常见算子支持的操作类型，包含四种类型。

 Axis: Reduction需要指定若工个轴，会对这些轴进行reduce操作，取值范用为:[-N，N-1]

keepdim: 对指定轴降维后，该轴是被消除还是保留为1，即此维度是否保留。取值为0表示消除，1表示保留.

如果：

• Axis=0，对2维矩阵来说就是行，也就是对这个2维矩阵每行对应的数据进行相加，得到[2,2,2]，降为1维
  
• Axis=1，每列对应的数据进行相加
  
• Axis=[0,1]，先对轴0进行降维求和得到[2,2,2], 再对[2,2,2]继续降维求和得到6，最后得到是0维
• Axis=1，不降维，原样输出
• Axis为空，就是对所有维度进行降维，最后得到0维的标量。

TBE算子开发方式

开发方式	特点
DSL	开发难度:易 适用人群:入门开发者，仅需要了解神经网终和TBE DSL相关知识特点: TBE工具提供自动优化机制，给出较优的调度流程
TIK	开发难度: 难 适用人群: 高级开发者，需要掌握Davinci硬件缓冲区架构，对性能有较高要求特点: 接口偏底层，用户需要自己控制数据流以及算子的硬件调度 (schedule)

3.TBE算子开发流程 

整体流程

Mind Studio工具操作部分

1. 工程创建
2. 算子开发
3. 单算子验证
4. 算子编译
5. 算子部署
6. 网络运行验证

 算子开发包括

1. 算子分析
2. 算子代码实现
3. 算子适配插件实现
4. 算子原型定义
5. 算子信息定义

单算子验证包括

• UT/ST/BBIT测试用例实现

网络运行验证包括

• 网络测试用例实现

def sqrt(input_x, output_y, kernel_name="sqrt"):  #算子方法签名&入参
    shape = inpout_x.get("shape")
    dtype = input_x.get("dtype")
    input_dtype = dtype.lower()
    data = tvm.placeholder(shape, name="data", dtype=input_dtype) #输入Tensor占位符
 
#定义计算过程
    log_val = te.lang.cce.vlog(data)
    const_val = tvm.const(0.5,"float32")
    mul_val = te.lang.cce.vmuls(log_val,const_val)
    res = te.lang.cce.vexp(mul_val)
 
#定义调度过程
    with tvm.target.cce():
        schedule = generic.auto_schedule(res)
 
#算子构建
    config = {"name": kernel_name,
                "tensor_list":[data, res]}
    te.lang.cce.cce_build_code(schedule, config)

算子入参

def sqrt (input_x, output_y, kernel_name="sqrt"):
    """
    Parameters
    input_x : dict
            shape and dtype of input
    output_y : dict
            shape and dtype of output
    kernel_name : str
            kernel name, default value is "sqrt”
    """

>shape : Tensor的属性，表示Tensor的形状，用list或tuple类型表示
例如 (3,2,3)、(4, 10) 。
>dtype : Tensor的数据类型，用字符串类型表示。
例如“float32”、“float16""int8”等。

输入占位符

TBE算子输入占位符

data = tvm.placeholder(shape, name="data", dtype=input_dtype)

 tvm.placeholder() 是tvm框架的API，用来为算子执行时接收的数据占位，
通俗理解：与C语言中%d、%s一样，返回的是一个Tensor对象，
上例中使用data表示，入参为shape，name，dtype,是为Tensor对象的属性

 这里的输入是指算子执行时的输入数据，与编译时期入参不同，编译时期入参input_x(shape,type)是为了得到算子执行文件的入参

 定义计算过程

定义计算过程是指使用DSL语言，根据数学算式，描述出实现算子功能的计算步骤
只要是te.lang.cce.name(),皆为TBE框架的API

调度(schedule)

with tvm.target.cce()
 
    schedule = generic.auto_schedule(res)

计算过程描述完之后，就会做调度，
调度是与硬件相关的，功能主要是调整计算过程的逻辑，意图优化计算过程，使计算过程更高效，以及保证计算过程中占用硬件存储空间不会超过上限。 

构建

config = {"name": kernel name,
        "tensor list": [data, res]}
 
te.lang.cce.cce_build_code(sch, config)

 TBE框架提供了cce build code0APl，传入schedule以及相关的配置项，即可完成编译生成最终硬件可执行文件。

 算子 ComputeAPI

接口皆为te.lang.cce.name的形式

接口分类	作用
elewise_compute	对Tensor中每个原子值分别做相同操作，样例中te.lang.cce.vabs 即对每个数值x求绝对值
reduction_compute	对Tensor按轴进行操作，例如te.lang.cce.sum(data,axis)表示对data按axis进行累加
segment_compute	对Tensor进行分段操作
cast_compute	对Tensor中数据的数据类型进行转换，例如float16转换为float32
broadcast_compute	对Tensor按照目标shape进行广播，如shape为 (3,1,2) 的Tensor广 播成(3,3,2)的Tensor
mmad_compute	支持矩阵乘法
卷积相关compute	除以上几种compute，还有一些专门针对卷积的compute

st测试

ST测试即系统测试(System Test) ，在仿真环境下，验证算子功能的正确性

• 正确的生成.o和.json文件。ST侧重测试各种数据类型、shape等场景下生成的算子的正确性
• 测试算子逻辑的正确性。ST通过C++用例调用runtime的接口，然后端到端计算出执行结果，并取回结果和预期结果(Tensorflow或者numpy生成)进行比较，来测试算子逻辑的正确性。也可进行性能分析。
• ST测试用例在仿真环境下运行 

需要考试帮助可加我wx ，考不过可退款