<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[JarryStudy的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/JarryStudy</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; JarryStudy]]></copyright><item><title><![CDATA[HCCL与PyTorch集成 hccl_comm.cpp DDP后端注册全流程]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/157836026</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/157836026</guid><author>JarryStudy</author><pubDate>Sat, 07 Feb 2026 08:09:19 +0800</pubDate><description><![CDATA[摘要：本文详细解析了PyTorch分布式训练中HCCL后端的实现原理与使用方法。通过追踪init_process_group()调用栈，揭示了从Python接口到C++底层实现的完整路径，重点分析了hccl_comm.cpp中的关键代码。文章提供了完整的分布式训练模板，包括环境配置、模型定义和训练循环实现，并分享了性能优化技巧和故障排查经验。测试数据显示HCCL在NPU集群下的通信带宽可达Gloo的2.3倍。最后展望了HCCL在拓扑感知、混合精度通信等方面的发展趋势。（149字）]]></description><category></category></item><item><title><![CDATA[梯度压缩实战 1bit Adam量化误差补偿与收敛性保障]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/157835924</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/157835924</guid><author>JarryStudy</author><pubDate>Sat, 07 Feb 2026 08:04:17 +0800</pubDate><description><![CDATA[在大模型训练过程中，梯度同步带来的通信开销成为显著瓶颈。1bit Adam作为一种先进的梯度压缩算法，通过将梯度量化为1比特同时引入误差补偿机制，在保持模型收敛性的前提下大幅降低通信量。本文将深入解析CANN仓库中的实现细节，重点分析error_feedback缓冲区的更新逻辑，并基于BERT训练任务提供精度对比数据，为分布式训练优化提供实践参考。]]></description><category></category></item><item><title><![CDATA[GE编译缓存机制解析 多次编译耗时降低90%实战]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/157811390</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/157811390</guid><author>JarryStudy</author><pubDate>Fri, 06 Feb 2026 19:44:26 +0800</pubDate><description><![CDATA[摘要 本文深入解析GE（GraphEngine）编译缓存机制在AI模型部署中的核心实现与应用价值。重点剖析/ge/cache/compilation_cache.cpp中的关键技术，包括复合型CacheKey生成逻辑（模型哈希、会话配置和版本信息的三重校验）及其90%以上的编译效率提升效果。通过电商推荐系统实战案例，展示该机制如何解决重复编译导致的资源浪费问题，并提供缓存目录管理策略（空间监控与LRU淘汰）及常见问题解决方案。文章还探讨了企业级应用场景下的缓存共享方案，并对未来智能缓存发展方向（分层缓存、分]]></description><category></category></item><item><title><![CDATA[GE文档可发现性：/ge/docs/navigation_tree.json 信息架构优化与用户路径分析]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/157811283</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/157811283</guid><author>JarryStudy</author><pubDate>Fri, 06 Feb 2026 19:36:32 +0800</pubDate><description><![CDATA[本文深入解析GE文档系统的导航文件navigation_tree.json优化策略，通过用户行为分析揭示文档可发现性提升的关键方法。文章展示了如何基于搜索热词数据重构导航结构，实现高频问题前置展示，并分享从数据收集到动态调整的完整优化流程。实践表明，该方法可使文档查找效率提升65%以上，搜索成功率提高85.7%。同时介绍了企业级定制化实践和性能优化技巧，为大型项目文档体系构建提供可复用的方法论。文章指出，未来文档导航将向AI驱动、智能关联方向发展，强调数据驱动和持续迭代是优化文档可发现性的核心原则。]]></description><category></category></item><item><title><![CDATA[【前瞻创想】Kurator与Karmada深度融合：多集群编排技术的协同进化与企业级实践]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/156064562</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/156064562</guid><author>JarryStudy</author><pubDate>Thu, 18 Dec 2025 23:52:42 +0800</pubDate><description><![CDATA[《分布式云原生技术演进与实践》摘要：本文深入解析Kurator与Karmada协同架构，重点剖析Karmada的多集群调度算法与Work API资源分发机制，展示Kurator如何通过统一控制面增强企业级能力。基于13年实战经验，分享了混合云部署模式、性能优化技巧（调度延迟从1.8秒降至320毫秒）及自愈策略（故障恢复时间从42分钟缩短至6.5分钟）。前瞻性探讨了AI驱动调度、零信任安全等未来方向，为构建高可用多活架构提供完整解决方案。全文体现从技术实现到业务价值的转化，助力企业拥抱分布式云原生未来。]]></description><category></category></item><item><title><![CDATA[Ascend C算子工程项目全链路构建实战]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155985473</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155985473</guid><author>JarryStudy</author><pubDate>Tue, 16 Dec 2025 17:00:40 +0800</pubDate><description><![CDATA[摘要：本文基于昇腾开发实战经验，系统阐述CANN框架下算子工程项目的构建方法。提出四层工程架构设计，包含Tiling动态调整算法、双缓冲流水线优化等核心技术，通过实际案例验证可将开发周期从月级缩短至周级，代码复用率达85%以上。详细解析了算子开发流程，包括环境配置、工程创建、调试优化等环节，并针对内存管理、多核同步等常见问题提供解决方案。最后展望了AI辅助生成、智能调优等未来发展趋势，为开发者提供从理论到实践的完整指导。]]></description><category></category></item><item><title><![CDATA[Ascend C大词表Embedding Lookup算子深度优化实战]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155985160</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155985160</guid><author>JarryStudy</author><pubDate>Tue, 16 Dec 2025 16:48:51 +0800</pubDate><description><![CDATA[本文深入探讨基于AscendC的大词表EmbeddingLookup算子优化技术，提出通过分块内存访问、动态批处理流水线和混合精度压缩三大核心技术，实现100GB词表加载延迟降低72%、QPS提升3.8倍，并在FP16下保持&lt;0.2%精度损失。关键技术包括三级流水线+双缓冲机制（85%硬件利用率）、向量化Gather操作（95%UB命中率）和动态Shape支持。文章提供BERT-Large优化实例、千亿参数部署方案和六大诊断工具，形成从单核算子开发到万卡集群部署的完整技术图谱，为突破AI计算中的&qu]]></description><category></category></item><item><title><![CDATA[Ascend C内存越界访问的“侦探术“：从错误地址到Buffer/Tensor安全]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155948884</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155948884</guid><author>JarryStudy</author><pubDate>Mon, 15 Dec 2025 18:44:59 +0800</pubDate><description><![CDATA[摘要：本文深入剖析昇腾（Ascend）AI处理器算子开发中的内存越界问题，基于250+真实案例与CANN架构特性，提出五层防御体系：1）编译期静态检查；2）安全编码规范；3）运行时动态验证；4）硬件保护机制；5）系统监控优化。重点解析GlobalMemory、UnifiedBuffer等内存层次的特殊越界模式（如向量化静默越界），提供从错误日志解密、边界检查注入到影子内存技术的全链路解决方案。通过矩阵转置等典型案例，展示如何平衡性能与安全，最终形成包含十大安全准则的企业级实践方案，为昇腾开发者构建可靠的内存]]></description><category></category></item><item><title><![CDATA[庖丁解“核”：Ascend C Kernel函数的并行计算模型与执行揭秘]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155917486</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155917486</guid><author>JarryStudy</author><pubDate>Sun, 14 Dec 2025 20:35:16 +0800</pubDate><description><![CDATA[真正的高性能计算不是关于编写代码，而是关于理解数据在硬件中的流动。Ascend C Kernel的设计精髓在于，它既提供了足够的抽象来保持开发效率，又保留了必要的控制力来实现极致性能。数据局部性优先：90%的性能问题源于内存访问并行暴露最大化：让硬件看到所有可并行的机会平衡的艺术：在抽象与控制之间找到最佳平衡点随着大模型时代的到来，算子开发正从"专家技能"变为"工程师必备"。掌握Ascend C Kernel的深度知识，不仅能让你的应用跑得更快，更能让你真正理解AI计算硬件的本质。昇腾训练营简介。]]></description><category></category></item><item><title><![CDATA[ops-nn算子库生态纵览 - 构建健壮的AI算力基石]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155826333</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155826333</guid><author>JarryStudy</author><pubDate>Thu, 11 Dec 2025 20:40:21 +0800</pubDate><description><![CDATA[摘要 本文系统解析了华为CANN架构中ops-nn算子库的核心技术与优化策略。作为连接AI算法与NPU硬件的关键组件，ops-nn通过三层优化模型实现高性能计算：1）基于AICore微架构的硬件感知设计；2）量化矩阵乘的深度优化，包括动态Tiling策略和双缓冲技术；3）存储层次协同的数据搬运优化。实践表明，该方案可使INT8矩阵乘算力达到128 TFLOPS，硬件利用率超80%。文章还提供了企业级部署架构、性能调优指南及常见问题解决方案，为开发者构建高效AI计算生态提供技术参考。]]></description><category></category></item><item><title><![CDATA[从原型到产品：融合算子的单元测试、集成测试与持续集成]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155825794</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155825794</guid><author>JarryStudy</author><pubDate>Thu, 11 Dec 2025 20:09:45 +0800</pubDate><description><![CDATA[本文系统探讨了昇腾AscendC融合算子的工程化测试策略，提出基于测试金字塔模型的全流程质量保障方案。通过分层测试架构设计，覆盖核函数单元测试到框架集成的各环节，并实现容器化部署环境。重点展示了RMSNorm+SwiGLU融合算子的单元测试实现、多核协同测试框架及性能基准测试体系。基于GitLab CI构建的CI/CD流水线将测试周期从周级缩短至小时级，缺陷逃逸率降低至5%以下。企业级实践案例表明，该方案在LLaMA-7B模型优化中使测试通过率提升至99.5%，性能提升52.4%。文章还提供了系统性故障排查]]></description><category></category></item><item><title><![CDATA[Ascend C调试技巧 - 常见错误与日志分析深度指南]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155645529</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155645529</guid><author>JarryStudy</author><pubDate>Sat, 06 Dec 2025 19:19:24 +0800</pubDate><description><![CDATA[调试能力是区分“能跑通的代码”和“能上线的算子”的唯一标准。那些年我见过最离谱的Bug，从AI Core神秘静默崩溃，到结果误差在第七位小数点后随机波动。这篇文章，我不给你列枯燥的错误码清单，我要给你一套能带走的“破案工具箱”和“刑侦思维”。第一，“结果错了，为啥？​ 我们将用二分法+ASAN+GDB三板斧，从海量代码中定位幽灵访越界。第二，“跑得太慢，卡在哪？​ 我们将深入Ascend Insight时间线，像侦探一样解读每个波峰波谷，揪出性能真凶。]]></description><category></category></item><item><title><![CDATA[Ascend C算子开发实战 - 以AsNumpy的einsum为例，解析爱因斯坦求和的NPU加速之道]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155618724</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155618724</guid><author>JarryStudy</author><pubDate>Fri, 05 Dec 2025 23:26:25 +0800</pubDate><description><![CDATA[计算图优化：从运行时解释到编译期优化，性能提升2-3个数量级硬件感知设计：针对NPU架构特化的内存访问模式和计算流水线智能策略选择：基于计算特征的自动优化策略选择昇腾训练营简介：2025年昇腾CANN训练营第二季，基于CANN开源开放全场景，推出0基础入门系列、码力全开特辑、开发者案例等专题课程，助力不同阶段开发者快速提升算子开发技能。获得Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机，平板、开发板等大奖。报名链接期待在训练营的硬核世界里，与你相遇！]]></description><category></category></item><item><title><![CDATA[构建自定义融合算子 以MlaProlog为蓝本的Ascend C开发方法论]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155607996</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155607996</guid><author>JarryStudy</author><pubDate>Fri, 05 Dec 2025 23:13:38 +0800</pubDate><description><![CDATA[本文深入解析CANN架构中的混合计算模型与控制(MCMC)技术，提出三大核心技术突破：1）动态计算路径选择实现4.2倍性能提升；2）多层次资源管理架构使资源利用率达92%；3）混合精度协调算法平衡计算效率与精度损失。通过状态机模型、计算图智能划分、动态资源调整等创新设计，MCMC成功应用于万亿参数模型训练，将收敛时间从28天缩短至10天。文章提供完整的算法实现代码、性能监控体系和故障诊断框架，为AI基础设施开发者提供关键技术参考，展现了混合计算在下一代AI系统中的核心价值。]]></description><category></category></item><item><title><![CDATA[MateChat在代码开发中的创新：智能代码补全与自动重构]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155551873</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155551873</guid><author>JarryStudy</author><pubDate>Thu, 04 Dec 2025 06:53:54 +0800</pubDate><description><![CDATA[📝 摘要：本文详细介绍了MateChat智能编程助手的核心技术架构与实现方案。系统采用多粒度代码理解引擎、上下文感知补全系统和安全重构框架，显著提升了传统IDE的局限性（补全准确率从58%提升至94%）。通过Python/TypeScript代码实现展示了毫秒级响应、95%+补全准确率和零误伤重构能力。实战数据显示，该系统使编码效率提升68%，Bug率降低42%，为企业级智能编程提供了生产级解决方案。文章还探讨了性能优化策略、企业集成方案及未来AI结对编程等发展方向，为开发者生产力提升提供了创新思路。]]></description><category></category></item><item><title><![CDATA[DevUI国际化与本地化：多语言资源动态加载与RTL布局适配]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155551565</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155551565</guid><author>JarryStudy</author><pubDate>Thu, 04 Dec 2025 06:46:33 +0800</pubDate><description><![CDATA[本文系统介绍了企业级前端应用的国际化(i18n)与本地化(l10n)解决方案。通过分层架构设计、动态资源加载和智能回退算法三大核心技术，解决了多语言应用中的性能瓶颈、布局兼容性和文化差异等核心问题。方案包含完整的React国际化提供商实现、RTL布局自动镜像引擎以及本地化格式组件，并经过华为全球化产品验证，显著提升了加载性能(从3.2s降至1.4s)和RTL布局准确率(85%到99.5%)。该架构实现了从资源管理到文化适配的全链路解决方案，为应用出海提供了生产级技术基础。]]></description><category></category></item><item><title><![CDATA[PerToken量化技术在Ascend C中的实现 - 动态精度适配与大模型推理加速]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155535954</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155535954</guid><author>JarryStudy</author><pubDate>Wed, 03 Dec 2025 16:59:54 +0800</pubDate><description><![CDATA[本文基于CANN量化Matmul开发样例技术文档中动态量化和精度适配相关技术，深度解析PerToken量化技术在Ascend C中的实现原理。重点探讨动态精度适配（Dynamic Precision Adaptation）Token级量化（Token-wise Quantization）在线校准（Online Calibration）​ 等核心技术。结合素材中NPU硬件特性和大模型推理需求，详细分析PerToken量化如何实现3-5倍推理加速同时保持99%+的精度保持率。]]></description><category></category></item><item><title><![CDATA[MlaProlog算子性能调优指南 Ascend C工具链实战解析]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155535347</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155535347</guid><author>JarryStudy</author><pubDate>Wed, 03 Dec 2025 16:50:01 +0800</pubDate><description><![CDATA[本文深入探讨基于Ascend C工具链的MlaProlog算子性能调优方法论。通过系统介绍性能分析工具链概览，详细解析典型性能瓶颈模式识别技术，并结合实际案例展示基于Profiling数据的迭代优化流程。文章重点探讨关键参数（Tiling策略、Pipe Depth等）的敏感度分析，提供达到理论峰值性能的实践路径，为AI开发者提供从基础理论到高级优化的完整性能调优解决方案。本文系统性地介绍了MlaProlog算子在Ascend C工具链下的性能调优方法论。]]></description><category></category></item><item><title><![CDATA[Ascend C在真实AI模型中的应用 - 以ResNet50优化为例]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155501409</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155501409</guid><author>JarryStudy</author><pubDate>Tue, 02 Dec 2025 19:03:11 +0800</pubDate><description><![CDATA[本文以ResNet50模型优化为实战案例，系统解析Ascend C在复杂AI模型中的应用方法论。涵盖模型结构分析计算热点识别算子级优化系统级调优等完整技术链。通过卷积算子极致优化内存访问模式重构多核并行策略等核心技术，展示如何将ResNet50在昇腾910B上的推理性能从基准150fps提升至2100fps。包含基于真实生产数据的性能分析瓶颈定位和优化验证，为AI模型的高性能部署提供完整参考。基于ResNet50优化实战，我总结出AI模型优化的关键原则热点优先原则：89.7%的卷积计算获得最大优化投入。]]></description><category></category></item><item><title><![CDATA[Triton Kernel 开发步骤详解 - 从 IR 到昇腾硬件部署]]></title><link>https://blog.youkuaiyun.com/JarryStudy/article/details/155501306</link><guid>https://blog.youkuaiyun.com/JarryStudy/article/details/155501306</guid><author>JarryStudy</author><pubDate>Tue, 02 Dec 2025 18:54:48 +0800</pubDate><description><![CDATA[摘要：本文深入解析Triton编译器在昇腾CANN生态中的应用，揭示从Python代码到Ascend硬件指令的完整编译流程。文章首先打破对Triton作为&quot;Python装饰器&quot;的认知误区，详细剖析其分层编译架构；随后通过向量加法等实例，展示Triton IR到昇腾后端的Lowering过程；提供Swish算子的完整开发示例，包括BLOCK_SIZE调优等实践技巧；最后展望Triton与昇腾生态的融合发展。内容涵盖编译原理、性能优化方法论及实战指南，帮助开发者掌握高阶算子开发的核心技术，实]]></description><category></category></item></channel></rss>