SOLECA_-优快云博客

原创 Ascend C 融合算子设计与实现VV+CV

摘要：融合算子是通过整合多个基础算子形成的单一计算单元，可消除冗余数据搬移，提升深度学习模型效率。昇腾架构下的融合算子分为VV融合（Vector单元间）和CV融合（Cube与Vector单元间）。VV融合通过减少中间数据读写降低耗时，CV融合则实现跨单元流水线并行计算。实验仿真显示，VV融合可显著减少执行时间，CV融合通过分块流水线并行大幅提升矩阵运算效率。文中以平方差融合算子为例，详细介绍了Host侧的分片参数定义和Kernel侧的计算实现，展示了完整的开发流程。融合算子技术是昇腾AI芯片性能优化的核心

2026-08-05 20:23:19 285

原创 Ascend C 算子工程实战（二）——VV融合SquareDiff算子全流程落地

摘要本文以昇腾AI芯片上的自定义算子开发为核心，聚焦二元向量融合算子$(x+y)(x-y)$（SquareDiff）的完整实现过程。研究基于CANN 9.0.0开发体系，系统性地阐述了从IR定义、工程自动化生成、Host侧规则开发到AICore核函数实现的完整链路。重点剖析了Host侧在算子注册、张量推导和硬件分片调度中的关键作用，纠正了"Host仅做算子注册"的常见认知偏差。通过分层开发模式（通用底座代码与算子专属业务代码分离），建立了标准化的开发范式，为昇腾AI芯片上的自定义算子开发提供了可复用的工程

2026-08-05 16:09:25 485

原创 Ascend C 算子工程实战（一）：Matmul 自定义算子全流程开发教程

本文详细介绍了昇腾算子工程中Matmul自定义算子的全流程开发实践。主要内容包括：算子工程开发概述分析初学者三大学习难点：知识体系割裂、效率低下、调试消耗提出分层学习方案：基础概念→完整案例→源码解析→算法拓展 Matmul算子实现详解 Host侧开发：原型注册、形状推导、分片数据结构 Tiling分片：基于UB内存限制的多维切分算法 AICore内核：Matmul高阶API封装与分块计算配套核心算法大数乘法溢出处理：二进制快速乘与__int128方案矩阵开关问题：状态压缩与贪心搜索降维工程复

2026-08-02 23:39:35 424

原创 Ascend C 算子实战（一）｜二元逐元素算子 AddCustom + SubCustom 完整开发指南

全系列算子通用执行链路：初始化设备 → 创建异步任务流 <<<>>> 启动核函数 → stream同步等待计算结束 → 销毁流/重置设备/释放ACL后续 Add、Sub 算子仅在此基础上增加张量内存分配、分片参数传递、GM 与 LocalTensor 数据搬运、核内数学计算模块。BUFFER_NUM 代表队列内部缓存的 LocalTensor 数量，取值 2 实现双缓冲流水线：一块本地缓存正在执行计算，另一块同步从 GM 搬运下一批数据，掩盖内存拷贝延迟，最大化 AICore 算力利用率；

2026-08-01 17:34:04 352

原创 Ascend C 算子实战（二）｜SigmoidCustom 逐元素激活算子完整开发指南

Init分片初始化 → Process循环调度 → CopyIn/Compute/CopyOut，单输入 / 双输入算子框架完全通用，仅增减输入队列与计算 API；掌握 Ascend C 基础数学算子串联：Muls 标量乘、Exp 指数、Adds 标量加、Duplicate 填充、Div 逐元素除法；理清 Host-Device 内存交互完整链路：锁页内存申请、显存分配、双向拷贝、同步等待、资源释放全流程；搭建算子标准验证体系：CPU 真值函数 + 批量打印对比函数，快速定位算子精度错误；

2026-08-01 17:23:01 357

原创古法编程实战｜从零手写Ascend C 加减自定义算子（Add/Sub/Div）

本文介绍了Ascend C自定义算子开发的入门教程，通过实现逐元素加法算子AddCustom，详解了开发流程。主要内容包括：基础环境搭建展示最简HelloWorld核函数示例介绍设备初始化、流调度、资源释放的基础流程加法算子实现定义分片参数结构体管理数据分布采用面向对象思想封装KernelAdd类实现Init初始化、Process核心流程完成CopyIn、Compute、CopyOut三个关键子模块开发模式遵循"Host调度+Kernel计算"的分层架构使用流水线技术提升并行效率提供

2026-08-01 02:16:21 265

原创 So simple and Innocent

这篇文章摘要如下：本文介绍了在Ascend平台上的两种核函数编程实例。第一部分展示了一个简单的"Hi Ascend"核函数，演示了基本设备初始化和核函数调用流程。第二部分详细讲解了一个逐元素加法核函数实现，包含完整代码结构：定义了Buffer数量、Tiling数据结构、KernelAdd类及其成员函数（Init初始化、Process处理流程、CopyIn数据加载、Compute计算、CopyOut结果回写）。最后提供了Host侧调用示例，包括内存分配、数据传输和核函数启动流程。代码展示了AscendC编程

2026-08-01 01:46:52 256

原创昇腾NPU算子开发实战：逐元素除法算子实现

本文围绕昇腾AscendC算子开发展开技术复盘与规划。作者首先分析社区任务进展，指出当前CustomDiv算子开发中的核心难点在于底层知识储备不足，并详细拆解了逐元素除法算子的实现逻辑：从张量计算规则到昇腾硬件架构（GM显存、AICore并行计算），最终呈现完整代码结构，包含Host/Device分层设计、双缓冲优化等关键技术。通过本次实践，作者确立以源码精读为核心的学习方法，并制定短期算子开发与长期异构计算的发展路径。最后反思指出，技术成长需要主动争取科研竞赛机会，同时强调社区贡献对自身能力的锻造价值。

2026-07-30 04:15:39 209

原创 Like a little flower blooming in the home

文章摘要：本文记录了一名开发者在处理昇腾NPU逐元素除法算子开发过程中的思考与实践。主要内容包括：1）对Community任务收尾工作的安排；2）深入解析AscendC源码中GM_ADDR类型的作用（NPU显存指针）和Runtime开发要点；3）详细拆解逐元素除法算子的实现逻辑，包含初始化、计算流水线和数据搬运过程；4）分享从看不懂到理解昇腾源码的学习心得，强调持续实践的重要性。文章通过具体代码示例（如KernelDiv类实现）展现了昇腾异构计算的开发范式，并讨论了技术成长中自我驱动与外部机会的关系。

2026-07-30 04:10:09 187

原创 aclnnRoll 开发工作日志：任务梳理与自我复盘

本文是一篇技术开发者的自我反思录，文章分为三部分：第一部分记录内心挣扎，作者坦言长期处于方向迷茫与产出焦虑中，既想满足他人期待又恐自我设限，工具批判转为自我反思；第二部分聚焦昇腾算子开发的技术攻坚，详述aclnnRoll算子复数适配等具体任务，强调赛事沉淀与工程规范；第三部分探讨AI时代的人类价值，提出"局部创新与自主洞察"是区别于AI的核心竞争力。全文呈现技术人在理想与现实夹缝中的成长轨迹，既有开发文档式的严谨，又充满对存在意义的哲学叩问。（149字）

2026-07-29 03:54:38 437

原创 A misty moon (mising moore)- Torches]

摘要：作者在自我反思中表达了对学术产出不足的焦虑，既渴望突破又受限于能力与资源。文中探讨了AI时代人类思考的价值所在，认为创新性突破仍是人类优势，同时记录了参与昇腾算子开发等具体技术任务时遇到的挑战，包括对复杂数据类型支持的技术难题。作者也坦承在多个项目间切换导致注意力分散的困境，强调专注与过程记录的重要性，并反思了在师生互动中的感恩与愧疚交织的复杂心态。全文呈现了青年研究者在成长过程中对自我要求、技术追求与情感体验的真实剖白。

2026-07-29 00:04:32 262

原创 Rust-语言笔记-杂项

这道题要干什么涉及到什么知识点串起来讲一下从会议转写中剥离杂乱的口语逻辑，冗余表达、无效重复、无关修辞与话题分叉，提炼核心观点、论证逻辑与关键信息，串联起来，从头到尾重新讲解知识内容我感觉还是没懂，你不要单独的阐释这些概念了，一个个孤立的知识点之间没办法串联起来，你从头到尾的串联起来描述一下这个部分知识的工作流程是什么，不要割裂，不要逻辑跳跃，环境变量iter() 方法next()Option<&T>Some(&元素值)?

2026-07-28 03:32:14 507

原创 ok challenging - kernel ascend ad metax

其中沐曦面向GPU与优化专项与GPGPU与优化培养系列课程涵盖编程+面向硬件硬件参数细节信息由base说明指出。以下是关于tilelang-puzzle和cann-learning-hub的训练记录。已验证的资源是昇腾+沐曦云算力需考虑时限问题尽量提高产出成果与效率。到这里是闲聊... 闲聊也很重要的唉算了不想给自己这么多评判。嗯那进入今天的正题我准备开始记录沐曦+昇腾的软件栈的算子的学习。关于竞赛的细节正在跟进的是s9-challenge。一个细节是7月社区任务的跟进正在同步。

2026-07-28 03:31:11 206

原创机器学习--【多元线性回归算法】在波士顿房价预测问题的应用

观察我们需要的矩阵操作，包括矩阵的转置，矩阵乘法，矩阵求逆(只有方阵可以求逆)，是的，死去的线性代数又将攻击你的大脑，这里我们假定大家都还记得矩阵的相关运算，是的，相信你们，米娜（表示预测值和实际值之间的偏差，我们构建的这样一个表达式的含义就是，找到一条轨迹，这个轨迹满足样本中的所有数据都有一个按照这个轨迹进行分布的。值数据，这就构建了一个y关于多个x的表达式，当多个表达式组合到一起时，对于多个多元线性方程组，这时就构成了矩阵运算的形式，其中。欢迎回到大型现代大学牲命苦现场。

2025-05-29 14:16:25 693

原创算法--莫队算法--洛谷P10288 [GESP样题八级] 区间

本文以洛谷的一道题目为例，详细介绍了莫队算法的基本思想和实现步骤。算法的核心在于对查询进行分块排序，并利用双指针维护当前区间的信息。为了处理数组中元素范围过大的问题，文中还介绍了离散化的技巧，将元素范围压缩到可接受的范围内。文章最后，作者分享了自己学习算法的经历，并感叹了 AI 技术对学习的巨大影响，使得学习资源变得更加丰富和便捷。同时，也表达了对高中时期薪火相传学习精神的怀念。

2025-05-21 22:13:00 1778 2

原创算法--洛谷P6328我是仙人掌--BFS求最短路+bitset求点集

本文介绍了一种解决图论问题的方法，主要针对给定图中节点之间的距离查询。首先，通过BFS计算每个节点到其他节点的最短距离，并存储在二维数组中。然而，这种方法在数据规模较大时会导致时间复杂度过高，无法通过测试。为了优化，引入了bitset数据结构，用于高效存储和查询满足距离条件的节点集合。具体实现中，使用bitset数组记录每个节点到其他节点的距离，并通过位运算快速合并多个查询条件。最终，通过优化后的算法，显著减少了查询时间，解决了大规模数据下的性能问题。该方法适用于稀疏图，且在处理大量查询时表现出色。

2025-05-20 18:18:50 1873 1

原创机器学习--KNN算法学习笔记

KNN算法（K-Nearest-Neighbors）是一种有监督的机器学习算法，常用于分类问题。以鸢尾花分类为例，算法通过计算待预测数据与训练集中每个样本的距离，找到距离最近的K个样本，并根据这K个样本的类别进行投票，最终确定待预测数据的类别。实现KNN算法的步骤包括：读取并存储数据、划分训练集和测试集、计算距离、进行预测并评估模型准确率。通过C++代码实现，可以完成数据的读取、随机划分、距离计算及分类预测，最终输出模型的准确率。KNN算法的核心思想是通过邻近样本的类别来推断未知样本的类别，适用于简单的分类

2025-05-16 15:25:09 1700 4

SOLECA_的博客