华为 NPU 概念

达芬奇架构

cat /usr/local/Ascend/ascend-toolkit/latest/x86_64-linux/ascend_toolkit_install.info

npu-smi 对标 nvidia-smi

$ watch -n 1 npu-smi info

msprof 对标 nsprof

AscendCL

cann 对标 cuda

MindIE-RT 对标 TensorRT

MindIE-ATB 面向Transformer模型的加速库（Ascend Transformer Boost）

onnx ep支持

• https://onnxruntime.ai/docs/execution-providers/community-maintained/CANN-ExecutionProvider.html
• https://github.com/microsoft/onnxruntime/tree/main/onnxruntime/core/providers/cann
• https://github.com/microsoft/onnxruntime/issues/11477
• https://github.com/microsoft/onnxruntime/pull/12416

onnx 算子支持

ATC 模型文件转换工具 ATC落地的是一个工具，把各种模型格式的表达，转换为om格式，由NPU推理执行。 这里就涉及如何让ATC认识自定义算子。

atc --model=hello.onnx --framework=5 --output=hello.om --input_shape="input_ids:1,5;att_mask:1,5;token_type_ids:1,5"  --soc_version=Ascend910B2C

msame 推理小工具 om模型文件推理小程序，源码里可以看出典型的asendCL推理用法。 https://gitee.com/ascend/tools/tree/master/msame

device/context/stream三个抽象概念的关系

• device: Device指安装了昇腾AI处理器的硬件设备，利用PCIe接口与Host侧连接，为Host提供NN计算能力。若存在多个Device，多个Device之间的内存资源不能共享。
• context:Context作为一个容器，管理了所有对象（包括Stream、Event、设备内存等）的生命周期。不同Context的Stream、不同Context的Event是完全隔离的，无法建立同步等待关系。
• stream: Stream用于维护一些异步操作的执行顺序，确保按照应用程序中的代码调用顺序在Device上执行。基于Stream的kernel执行和数据传输能够实现Host运算操作、Host与Device间的数据传输、Device内的运算并行。

https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/80RC2alpha003/devguide/appdevg/aclcppdevg/aclcppdevg_000004.html

线程

• 一个用户线程一定会绑定一个Context，所有Device的资源使用或调度，都必须基于Context
• 一个进程中可以创建多个Context，但一个线程同一时刻只能使用一个Context。
• 线程中创建的多个Context，线程缺省使用最后一次创建的Context。
• 进程内创建的多个Context，可以通过aclrtSetCurrentContext设置当前需要使用的Context。

Unified Buffer（UB）

UB 是唯一可编程的片上存储，所有 Cube 计算必须从 UB 读取数据。 NPU 的 Cube 单元理论算力高达 256 TFLOPS（FP16），但若数据供给不足，实际利用率可能低于 20%。

UB 的使命：作为 Global Memory 与 Cube 之间的“蓄水池”，通过预取 + 分块，确保计算单元永不“饿死”。

理想数据流：Global Memory → (DMA) → UB → (Load) → Cube Registers → Compute

开发接口

MindIE

面向Transformer模型的加速库（Ascend Transformer Boost）

几种attention的加速实现

• PagedAttentionOperation
  • 基于paged attention 对于kvcache分页管理的机制计算attention score
  • Rotary Position Embedding (RoPE) 主要思想是通过旋转嵌入向量来编码不同位置的信息。
• SelfAttentionOperation
  • 基于传统flash attention按照layerId管理kvcache的机制计算attention score

AscendCL

• aclrt* 运行时
  • 管理device、context、stream、event
  • 管理内存
• aclnn* 单算子执行， 深度学习算子 （对标cudnn?）
  • 两段式接口， 先 aclnnXxxGetWorkspaceSize， 再 aclnnXxx
  • 算子列表： https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/80RC2alpha003/apiref/appdevgapi/context/common/aclnn_domains.md
• aclop* 单算子模型执行
  • aclopCompileAndExecute: 用户在调用aclopCompileAndExecute时，AscendCL根据optype、输入tensor的描述、输出tensor的描述、attr等信息查找对应的任务，再编译、执行算子。
• aclmdl* 模型推理
  • aclmdlLoadFromFile (om文件)
  • aclmdlLoadFromMem
  • aclmdlExecuteAsync
  • aclmdlCreateDataset + aclmdlDestroyDataset
  • aclmdlGetInputSizeByIndex + aclmdlGetOutputSizeByIndex
• aclgrah* 构图接口
  • ge::aclgrphParseONNXFromMem
  • ge::aclgrphBuildModel
  • ge::aclgrphBuildInitialize
  • ge::aclgrphSaveModel

Ascend C

Ascend C API的操作数都是Tensor类型

TBE&AI CPU

硬件

NPU集成了多种硬件加速器（也叫加速引擎），比如AiCore/AiVec/AiCpu（按照优先级排列）等，在图编译阶段会按照优先级为算子选择合适的引擎，即当同一个算子被多种引擎支持时，会选择优先级高的那个。

• “AiCore”：AI Core硬件加速引擎
• “AiVec”：Vector Core硬件加速引擎
• “AiCpu”：AI CPU硬件加速引擎

REF

https://gitee.com/ascend/samples/tree/master

https://ascendai.csdn.net/698610690a2f6a37c5906172.html