<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[mar836924042的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/mar836924042</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; mar836924042]]></copyright><item><title><![CDATA[【精度】【核内同步】applyTopKTopPWithSorted算子精度问题定位]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/158889268</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/158889268</guid><author>mar836924042</author><pubDate>Tue, 10 Mar 2026 17:35:05 +0800</pubDate><description><![CDATA[摘要：本文分析了applyTopKTopPWithSorted算子精度异常问题。通过实验排除了初始化问题，发现异常源于共享内存空间下的同步缺失：CumSum计算与后续值搬出操作共用缓冲区，但缺少必要的同步指令，导致计算未完成时数据就被错误使用。解决方法是在关键计算阶段插入VToSSync和SToMTE3Sync同步指令，确保计算完成再使用数据。该案例揭示了高性能计算中内存复用与同步控制的平衡重要性，强调在优化显存占用时需谨慎处理异步操作间的数据依赖关系。]]></description><category></category></item><item><title><![CDATA[【精度】【核间同步】torch_npu.fused_linear_online_max_sum概率性精度不达标问题]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/157802017</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/157802017</guid><author>mar836924042</author><pubDate>Fri, 06 Feb 2026 11:08:44 +0800</pubDate><description><![CDATA[摘要：针对torch_npu.fused_linear_online_max_sum接口在批量测试中出现概率性精度失败问题，通过逐步排除内存踩踏和同步问题，最终定位到问题根因是vec核与cube核间未同步导致predicted_logits_local读取脏数据。解决方案是在TargetProcess和CVProcess间插入全核同步，确保数据计算完成后再使用。经验表明，对于概率性精度问题，需关注核间同步及计算依赖关系，通过分步注释法可有效定位异常点。]]></description><category></category></item><item><title><![CDATA[【NPU】【精度】【数据踩踏】AdaptiveMaxpool3D算子indices精度问题]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/156456645</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/156456645</guid><author>mar836924042</author><pubDate>Wed, 31 Dec 2025 14:18:14 +0800</pubDate><description><![CDATA[本文记录了NPU上调试AdaptiveMaxpool3D算子时发现的索引异常问题。在将[1,1,1,15,17]输入转换为[1,1,1,2,17]输出时，NPU计算结果的最大值正确但索引值错误（49271 vs CPU标杆202）。通过逐步调试发现，问题根源在于Select接口需要8KB预留空间，而原有kernel已申请185KB空间，总和193KB超过了NPU芯片192KB的UB空间限制，导致内存踩踏。解决方案是调整内存分配顺序，将复用计算部分移到最后。该案例提示开发者需注意API接口约束和内存分配策略，]]></description><category></category></item><item><title><![CDATA[【NPU】【精度】【数值计算】Adam算子计算顺序不同引发的精度问题]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/156456426</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/156456426</guid><author>mar836924042</author><pubDate>Wed, 31 Dec 2025 14:12:35 +0800</pubDate><description><![CDATA[摘要：在NPU上调试Adam优化器时发现微小精度差异（99.9931%正确率）。通过分析发现，浮点运算顺序不同（先乘后除vs先除后乘）导致中间结果舍入误差累积差异。调整计算顺序为先除后乘后精度完全达标。该案例表明：(1)浮点运算顺序会影响精度；(2)数学等价不等于计算等价；(3)微小误差可能影响模型训练稳定性。建议开发者重视浮点运算顺序，保持与标杆一致的计算逻辑。（149字）]]></description><category></category></item><item><title><![CDATA[【昇腾NPU】【精度】【API接口】MaxPool3DWithArgmaxV2算子ReduceMax接口indice精度差异问题]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/155693367</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/155693367</guid><author>mar836924042</author><pubDate>Mon, 08 Dec 2025 10:03:38 +0800</pubDate><description><![CDATA[摘要：MaxPool3DWithArgmaxV2算子在测试用例中发现两处索引差异，根因是该算子调用ReduceMax指令处理+0/-0时优先返回+0索引，与CPU实现方式不同。经分析，由于索引仅用于反向梯度计算且对模型收敛无实质影响，决定保留当前实现不作修改。该差异属于功能等效情况，不影响算子最终性能。]]></description><category></category></item><item><title><![CDATA[【昇腾NPU】【精度】【数据踩踏】Linspace算子数值计算不等价踩踏问题]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/155692948</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/155692948</guid><author>mar836924042</author><pubDate>Mon, 08 Dec 2025 09:54:49 +0800</pubDate><description><![CDATA[摘要：本文分析了NPU设备上torch.linspace算子在特定维度（如dim=69）时出现的精度异常问题。研究发现当数据尾部处理采用地址回退方式满足32字节对齐要求时，会导致部分索引位置（如61-63）被不同核重复计算，产生约3.8147e-06的微小差异。这种并行计算下的浮点运算差异导致多次运行结果不一致。解决方案是使用DataCopyPad API实现非对齐搬运，避免冲突区域的重复计算。该案例揭示了算子开发中数学等价变换可能引发的精度问题，强调需权衡实现便利性与计算准确性。（149字）]]></description><category></category></item><item><title><![CDATA[Paddle框架整体使用感受]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/105408801</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/105408801</guid><author>mar836924042</author><pubDate>Thu, 09 Apr 2020 13:38:37 +0800</pubDate><description><![CDATA[废话不多说，省得没人看。文章大致是推荐深度学习入门者可以尝试paddle框架。

paddlepaddle是百度AI推出的一款深度学习框架，与tensorflow、cafffe和pytorch等框架相似，提供了使用神经网络结构的各种API接口。
我从3月初的深度学习7日打卡营第四期，再到近日参加的CV疫情七日打卡营活动，满打满算接触了整整一个月，来作为我入门深度学习的第一步。也是在此期间的经历，让...]]></description><category></category></item><item><title><![CDATA[paddlepaddle之写完这篇心得就有100算力，太香了]]></title><link>https://blog.youkuaiyun.com/mar836924042/article/details/104766147</link><guid>https://blog.youkuaiyun.com/mar836924042/article/details/104766147</guid><author>mar836924042</author><pubDate>Tue, 10 Mar 2020 03:52:39 +0800</pubDate><description><![CDATA[第一次邂逅paddlepadlle是在19年7月底，那时候报了一下百度之星的目标检测大赛，因为某些原因没有做下去，不过当时连入门都没有，也是本着看一看比赛的完整流程，为以后打比赛做一点准备。但是ai studio提供算力的友好方式真的非常吸引我，而且各种奖励也很丰厚，记得提交过代码就能获得战衣等礼物，当初还有小姐姐(声音好听)打电话过来询问比赛情况。只是在第一阶段的预选赛？时就有相关人员咨询情况，...]]></description><category></category></item></channel></rss>