- 博客(16)
- 收藏
- 关注
RSS订阅原创 Ascend C与CUDA Tiling策略对比分析 - 洞察异构计算的设计哲学
本文深入剖析昇腾Ascend C与NVIDIA CUDA在Tiling策略上的根本差异，从硬件架构设计哲学出发，系统对比两者在并行模型、内存层次、流水线实现等方面的技术路线。通过完整的向量加法算子实例和性能分析，揭示专用AI芯片与通用GPU在异构计算设计上的不同取舍，为开发者提供架构选型和优化指导。核心洞察🎯没有绝对优劣：只有最适合特定工作负载的选择🔧通用vs专用：CUDA提供灵活性，Ascend C提供确定性高性能📊开发效率权衡：CUDA需要更多调优，Ascend C提供更可预测的性能🚀融合趋势。
2025-12-05 03:25:52
567
原创 使用 Aclnn 接口实现你的第一个自定义算子（以逐元素加法为例）
本文详细介绍了基于Aclnn接口实现逐元素加法算子的全流程开发。通过解析Aclnn调用流程和技术原理，从内核函数实现、接口封装到Pybind集成，构建了完整的算子实现方案。文章提供了开发环境配置、测试验证方法以及企业级优化策略，实测性能较传统实现提升35%。关键内容包括：Aclnn张量抽象、异步执行模型、内存管理优化和PyTorch生态集成，为开发者提供从理论到实践的完整指导。
2025-12-05 03:19:58
505
原创 AsNumpy 的架构设计与 Ascend C 的底层赋能：从 Python 生态到 NPU 原生的高性能计算革命
AsNumpy 的成功，本质上是 Ascend C 编程模型与昇腾硬件架构深度协同的成功。它通过一套精巧的分层架构，将对开发者的友好度（Numpy API）和底层的执行效率（Ascend C Kernel）做到了极佳的平衡。核心价值：它为 Python 数据科学社区提供了一个“零学习成本” 的 NPU 加速通道，是推动 AI 计算普惠化的关键一环。未来展望：随着 CANN 的全面开源，AsNumpy 的生态将会更加繁荣。更丰富的算子库：覆盖 SciPy 等更多科学计算场景。与 PyData 生态深度集成。
2025-12-04 23:59:33
307
原创 Ascend C算子开发实战：MoeGatingTopK的Tiling设计与性能优化
本文聚焦MoeGatingTopK算子的Tiling设计与性能优化，深入解析在Ascend C平台上的极致性能调优技巧。通过多层次分块策略DoubleBuffer优化和负载均衡算法，实现算子性能5-8倍提升。文章包含完整的Tiling数据结构设计、核函数实现、性能分析模型，以及企业级部署实战经验，为AI大模型开发者提供可直接复用的优化方案。通过本文的深度技术解析，我们全面掌握了MoeGatingTopK算子的Tiling设计与性能优化精髓。从理论基础到企业级实践，展现了如何通过系统化优化实现极致性能。
2025-12-04 23:57:42
528
原创 模型迁移全流程实战：从PyTorch到Ascend C的异构加速
本文深度剖析PyTorch模型向Ascend C平台迁移的完整技术路径。通过ResNet50、YOLOv3、InternVL3等真实案例，系统讲解模型分析、算子适配、性能优化、精度验证四大关键阶段。重点解析自定义算子开发、内存优化、混合精度训练等核心技术，提供可落地的迁移方案和故障排查指南，帮助开发者实现高效的异构计算加速。// 自定义算子基础框架protected:// 算子属性// 设备内存指针public:// 初始化接口// 计算接口// 资源管理。
2025-12-03 18:45:26
626
原创 Ascend C生态纵览：工具链、社区资源与最佳学习路径
Ascend C生态作为一个快速发展的技术体系，为AI开发者提供了释放昇腾硬件潜力的完整工具链和资源支持。通过系统化学习路径、深度参与社区活动、持续实践优化，开发者能够快速掌握高性能算子开发技能，在AI算力时代建立竞争优势。核心要点回顾工具链成熟度：MindStudio、CANN等工具已形成完整开发闭环学习资源丰富度：从文档、课程到社区支持，资源覆盖全学习周期实践重要性：通过项目驱动学习，结合理论实践是掌握关键讨论问题：在你的Ascend C学习过程中，遇到的最大挑战是什么？是如何克服的？
2025-12-03 18:29:24
592
原创 从CUDA到昇end：Triton算子的跨平台迁移指南
本文系统介绍了Triton算子从CUDA到昇腾NPU的跨平台迁移技术，提出包含硬件抽象层适配、内存模型转换和性能优化的完整迁移框架。通过架构差异分析、接口映射转换和计算资源重平衡等关键技术，实现了迁移成本降低70%、性能损失控制在15%以内的优化目标。文章详细阐述了网格配置迁移算法、内存访问优化策略等核心方法，并提供了生产级迁移框架实现和性能对比测试方案。基于13年异构计算经验，总结了典型迁移问题库和验证方法，实际项目数据显示迁移后算子性能保持率达85%以上。该技术显著提升了开发效率，为异构计算场景下的算子
2025-12-02 23:41:24
1019
原创 昇腾Ascend C高性能算子优化：突破内存墙与计算墙的深度实践
本文系统探讨了AscendC算子性能优化的关键技术路径。通过内存层次优化（分块策略、缓冲区复用、双缓冲技术）和多级并行策略（指令级并行、数据/模型并行），可将算子性能从理论峰值的10%-30%提升至80%以上。文章详细解析了昇腾硬件架构特性，并以矩阵乘法为例展示了从基础实现到优化版本（分块+双缓冲+向量化）的完整演进过程，实测性能提升2.6倍。高级技巧部分涵盖动态形状自适应和混合精度计算等企业级实践，最后提供了性能分析工具指南和常见问题解决方案。优化核心在于最大化数据局部性、充分利用硬件并行性和构建高效流水
2025-12-02 23:11:20
608
原创 超越Pow - Ascend C实现复杂算子（如Reduce、MatMul）的策略
本文系统阐述了AscendC复杂算子的实现策略与优化方法，重点分析了Reduce和MatMul算子的性能瓶颈突破。通过多级并行Reduce算法、分块矩阵乘法等技术，实现了算法与硬件的深度协同优化。文章详细展示了从理论到实践的完整技术路径，包括内存访问优化、计算流水线设计等核心方法。实验数据表明，优化后的算子性能显著提升：Reduce算子加速比达16.89倍，MatMul算子计算性能提升至32.8TFLOPS。文章还探讨了动态负载均衡、自适应优化等高级技巧，并提供了大规模推荐系统的企业级优化案例，验证了技术的
2025-12-01 23:53:14
538
原创 Ascend C量化模式详解：Weight静态量化与Activation动态量化在Matmul中的实践
本文基于CANN量化Matmul开发样例技术文档，深度解析Ascend C中Weight静态量化（Static Quantization） 与Activation动态量化（Dynamic Quantization） 的协同优化原理。重点探讨两种量化模式在矩阵乘法（Matmul） 中的差异化应用、量化粒度（Quantization Granularity） 选择、精度损失控制等关键技术。结合素材中NPU硬件架构特性和量化计算优势，详细分析静态量化的推理优化与动态量化的精度保障的平衡策略。
2025-12-01 23:50:10
844
原创 Ascend C 硬件架构抽象：最大化硬件性能的深度优化实践
本文系统阐述了昇腾AI处理器硬件架构与AscendC编程模型的协同优化方法。通过分析达芬奇架构的三级计算单元（Cube/Vector/Scalar）和存储层次特性，提出基于硬件抽象的编程模型，实现开发效率与性能的平衡。重点展示了矩阵乘法算子的四级优化过程：从基础实现到分块优化、流水线并行、双缓冲技术，最终实现312.4GFLOPS（92%硬件利用率）的性能表现。针对企业级应用场景，详细介绍了动态负载均衡、原子操作优化等高级技术，并提供了大模型注意力机制优化的实践案例。文章还包含性能分析工具使用指南和常见问题
2025-11-30 23:52:08
925
原创 逻辑错误的显微镜：Ascend C 算子实现中的边界与精度问题剖析
本文深入剖析AscendC算子开发中的边界条件处理与计算精度保障两大核心挑战。通过系统分析内存对齐、越界访问等边界问题，以及FP16精度损失、累加误差等数值稳定性问题，提供从原理到实践的完整解决方案。文章包含企业级案例研究，如动态分块矩阵乘法优化和高精度Softmax实现，并展望自动化边界检查、自适应精度选择等前沿方向。开发者可获得边界处理清单和精度优化检查表等实用工具，提升算子健壮性。作为昇腾训练营技术干货，本文为AI加速器开发提供关键方法论指导。
2025-11-30 23:48:12
674
原创 【前瞻创想】云原生安全体系演进：从边界防护到内生免疫的变革之路
《云原生安全体系演进与实践》摘要 本文系统阐述了云原生安全的技术演进与实践路径。第一章分析从传统边界防护到云原生内生安全的范式转变，指出容器化、微服务等技术驱动因素。第二章详细解析安全架构设计，包括容器安全、服务网格等核心技术，提供零信任策略等代码示例。第三章通过完整代码案例和分步指南，展示基础设施加固、运行时监控等实战方案。第四章基于金融行业案例，分享企业级实践中的性能优化和故障排查经验。第五章展望AI驱动安全、机密计算等未来趋势。全文贯穿75个技术要点，包含12个可运行代码片段，为构建智能、自动化的云原
2025-11-29 12:08:11
953
原创 【探索实战】边缘计算场景落地实践：基于Kurator构建跨云边缘计算平台
《Kurator边缘计算平台实战指南》摘要 本文系统阐述了基于Kurator构建企业级边缘计算平台的完整方案。作为云边协同计算解决方案，Kurator深度整合KubeEdge、K3s等生态组件，提供统一管控、边缘自治和智能调度三大核心能力。通过分层架构设计实现控制面与数据面分离，支持毫秒级响应、90%带宽优化和离线自治等边缘场景关键需求。实战部分详细演示了从环境部署、节点接入到应用分发的全流程，并针对网络不稳定等挑战提供了多链路容错方案。实测数据显示，该方案可降低80%运维复杂度，提升70%应用分发效率，已
2025-11-29 11:56:23
769
原创 maven用的阿里镜像，下载jar包总是出错，报错找不到证书，仓库中出现lastupdated文件
遇到的问题（踩坑记录，警示自己）：运行之前项目的时候项目起不来，pom报错sun.security.provider.certpath.SunCertPathBuilderException: unable to find valid certification path to requested target，本地仓库查看出现lastupdated文件。...
2020-04-30 17:19:28
938
原创 获取jar包的artifactId,groupId,version,并手动将jar包安装到maven本地仓库
开发过程中拿到一个jar，需要在项目中引入maven依赖，但是并不知道它的groupId,artifactId,version，没法加入maven依赖。用jna这个jar包举个例子，用反编译软件打开这个jar包（我用的jd-gui），然后得到maven依赖如下：<dependency> <groupId>com.sun.jna</groupId>...
2020-02-23 21:53:50
7112
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人