cann/sip列方向逐点乘算子

Colwise_mul

【免费下载链接】sip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。项目地址: https://gitcode.com/cann/sip

产品支持情况

功能说明

• 接口功能：
  asdBlasMakeColwiseMulPlan：初始化该句柄对应的ColwiseMul算子配置。
  asdBlasColwiseMul：复数矩阵与复数向量按列逐点乘，返回一个和输入矩阵同样形状大小的复数矩阵。
• 计算公式：
   示例：
  输入“A”为：
  [ [ 1+1i, 1+1i ],
  [ 2+2i, 2+2i ] ]
  输入“X”为：
  [ 1+1i, 2+2i ]
  调用“asdBlasColwiseMul”算子后，输出“result”为：
  [ [ 0+2i, 0+2i ],
  [ 0+8i, 0+8i ] ]

函数原型

AspbStatus asdBlasMakeColwiseMulPlan( asdBlasHandle handle)

AspbStatus asdBlasColwiseMul( asdBlasHandle handle, const int64_t m, const int64_t n, aclTensor * mat, aclTensor * vec, aclTensor * result)

asdBlasMakeColwiseMulPlan

• 参数说明：

  参数名	输入/输出	描述
  handle（asdBlasHandle）	输入	算子的句柄

• 返回值：

  返回状态码，具体参见SiP返回码。

asdBlasColwiseMul

• 参数说明：

  参数名	输入/输出	描述
  handle（asdBlasHandle）	输入	算子的句柄
  mat（aclTensor*）	输入	输入向量，对应公式中的'A'。 数据类型支持COMPLEX64。 数据格式支持ND。 shape为[m,n]。
  m（int64_t）	输入	矩阵mat的行数，向量vec的元素个数。
  n（int64_t）	输入	矩阵mat的列数。
  vec（aclTensor*）	输入	输入向量，对应公式中的'X'。 数据类型支持COMPLEX64。 数据格式支持ND。 shape为[m]。
  result（aclTensor*）	输出	输出向量，对应公式中的'result'。 数据类型支持COMPLEX64。 数据格式支持ND。 shape为[m, n]。

• 返回值：

  返回状态码，具体参见SiP返回码。

约束说明

• 算子实际计算时，不支持ND高维度运算（不支持维度≥3的运算）。

调用示例

示例代码如下，该样例旨在提供快速上手、开发和调试算子的最小化实现，其核心目标是使用最精简的代码展示算子的核心功能，而非提供生产级的安全保障。不推荐用户直接将示例代码作为业务代码，若用户将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，则需用户自行承担。

#include <iostream> #include <vector> #include "asdsip.h" #include <complex> #include "acl/acl.h" #include "acl_meta.h" using namespace AsdSip; #define ASD_STATUS_CHECK(err) \ do { \ AsdSip::AspbStatus err_ = (err); \ if (err_ != AsdSip::ErrorType::ACL_SUCCESS) { \ std::cout << "Execute failed." << std::endl; \ exit(-1); \ } else { \ std::cout << "Execute successfully." << std::endl; \ } \ } while (0) #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vector<int64_t> &shape) { int64_t shapeSize = 1; for (auto i : shape) { shapeSize *= i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream *stream) { // 固定写法，acl初始化 auto ret = aclInit(nullptr); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret); ret = aclrtSetDevice(deviceId); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret); ret = aclrtCreateStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret); return 0; } template <typename T> int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr, aclDataType dataType, aclTensor **tensor) { auto size = GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret); // 调用aclrtMemcpy将host侧数据复制到device侧内存上 ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret); // 计算连续tensor的strides std::vector<int64_t> strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } void printTensor(const std::complex<float> *tensorData, int64_t rows, int64_t cols) { for (int64_t i = 0; i < rows; i++) { for (int64_t j = 0; j < cols; j++) { std::cout << tensorData[i * cols + j] << " "; } std::cout << std::endl; } } int main(int argc, char **argv) { int deviceId = 0; aclrtStream stream; auto ret = Init(deviceId, &stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret); int64_t m = 3; int64_t n = 2; int64_t matSize = m * n; std::vector<std::complex<float>> tensorInMatData; tensorInMatData.reserve(matSize); for (int64_t i = 0; i < m; i++) { for (int64_t j = 0; j < n; j++) { tensorInMatData[n * i + j] = (std::complex<float>){2.0, -2.0}; } } int64_t vecSize = m; std::vector<std::complex<float>> tensorInVecData; tensorInVecData.reserve(vecSize); for (int64_t i = 0; i < vecSize; i++) { tensorInVecData[i] = (std::complex<float>){3.0, -4.0}; } int64_t resultSize = m * n; std::vector<std::complex<float>> resultData; resultData.reserve(resultSize); std::cout << "------- input mat -------" << std::endl; printTensor(tensorInMatData.data(), m, n); std::cout << "------- input vec -------" << std::endl; printTensor(tensorInVecData.data(), m, 1); std::vector<int64_t> matShape = {m, n}; std::vector<int64_t> vecShape = {m}; std::vector<int64_t> resultShape = {m, n}; aclTensor *inputMat = nullptr; aclTensor *inputVec = nullptr; aclTensor *outputResult = nullptr; void *inputMatDeviceAddr = nullptr; void *inputVecDeviceAddr = nullptr; void *outputResultDeviceAddr = nullptr; ret = CreateAclTensor(tensorInMatData, matShape, &inputMatDeviceAddr, aclDataType::ACL_COMPLEX64, &inputMat); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(tensorInVecData, vecShape, &inputVecDeviceAddr, aclDataType::ACL_COMPLEX64, &inputVec); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(resultData, resultShape, &outputResultDeviceAddr, aclDataType::ACL_COMPLEX64, &outputResult); CHECK_RET(ret == ::ACL_SUCCESS, return ret); asdBlasHandle handle; asdBlasCreate(handle); size_t lwork = 0; void *buffer = nullptr; asdBlasMakeColwiseMulPlan(handle); asdBlasGetWorkspaceSize(handle, lwork); std::cout << "lwork = " << lwork << std::endl; if (lwork > 0) { ret = aclrtMalloc(&buffer, static_cast<int64_t>(lwork), ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret); } asdBlasSetWorkspace(handle, buffer); asdBlasSetStream(handle, stream); ASD_STATUS_CHECK(asdBlasColwiseMul(handle, m, n, inputMat, inputVec, outputResult)); asdBlasSynchronize(handle); asdBlasDestroy(handle); buffer = nullptr; ret = aclrtMemcpy(resultData.data(), resultSize * sizeof(std::complex<float>), outputResultDeviceAddr, resultSize * sizeof(std::complex<float>), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret); std::cout << "------- result -------" << std::endl; printTensor(resultData.data(), m, n); aclDestroyTensor(inputMat); aclDestroyTensor(inputVec); aclDestroyTensor(outputResult); aclrtFree(inputMatDeviceAddr); aclrtFree(inputVecDeviceAddr); aclrtFree(outputResultDeviceAddr); aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }

【免费下载链接】sip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。项目地址: https://gitcode.com/cann/sip