CANN ops-nn aclnnGeGlu 算子接口详解GeGLU 高斯误差线性门控单元的两段式调用与 NPU 实现【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn导读aclnnGeGlu是 CANN ops-nn 神经网络算子库中GeGluV2算子对外暴露的 aclnn 标准接口用于在昇腾 NPU 上计算高斯误差线性单元门控激活GeGLUGated Gaussian Error Linear Unit。本文以仓库文档 activation/ge_glu_v2/docs/aclnnGeGlu.md 为核心骨架完整讲解其产品支持矩阵、数学原理、两段式接口原型与参数约束、错误码语义、完整可运行示例并结合仓库内 op_host、op_kernel、op_graph 与测试代码深入到 aclnn 执行器构图、infershape、tiling 分核与 kernel 实现的源码细节。读完本文你将掌握如何在 NPU 上正确构造 aclTensor、调用aclnnGeGluGetWorkspaceSize/aclnnGeGlu完成 GeGLU 计算并能对照源码理解其内部实现路径。一、产品支持情况aclnnGeGlu在不同昇腾产品线上的支持情况如下来自 aclnnGeGlu.md 与 README.md 的对照产品是否支持Ascend 950PR / Ascend 950DT√Atlas A3 训练系列产品 / Atlas A3 推理系列产品√Atlas A2 训练系列产品 / Atlas A2 推理系列产品√Atlas 200I/500 A2 推理产品×Atlas 推理系列产品√Atlas 训练系列产品×Atlas Kirin X90 处理器系列产品√Atlas Kirin 9030 处理器系列产品√其中Atlas 推理系列产品 / Atlas 训练系列产品仅支持 FLOAT、FLOAT16 两种数据类型而 Atlas Kirin X90、Atlas Kirin 9030 系列不支持 BFLOAT16。这一产品差异在源码中也得到了印证在 ge_glu_v2_def.cpp 中ascend310p、kirinx90、kirin9030三个配置的输入输出只声明了DT_FLOAT16、DT_FLOAT而ascend910_93、ascend910b、ascend950、ascend350配置则完整声明了DT_FLOAT16、DT_BF16、DT_FLOAT三种类型aclnn_geglu.cpp 中GetDtypeSupportList()也只有在 DAV_2201 架构对应 950 系列或 Regbase 模式下才把DT_BF16加入支持列表。二、功能说明与数学原理aclnnGeGlu的接口功能是高斯误差线性单元激活函数GeGLUGated GELU其计算公式为$$ out_{i}GeGlu(self_{i}) A \cdot Gelu(B) $$其中 $A$ 表示self的前半部分split 轴左侧的数据块$B$ 表示self的后半部分split 轴右侧的数据块。也就是说self首先沿dim指定的轴被对半切分对后半部分应用 GELU 激活再与前半部分逐元素相乘得到out同时Gelu(B)的结果被单独输出到outGelu。值得注意的版本差异仓库中还存在增强版本aclnnGeGluV3接口声明见 aclnn_geglu.h它额外提供activateLeft布尔属性用于控制激活函数作用于左半部分还是右半部分。当activateLefttrue时公式变为 $out_{i}Gelu(A)\cdot B$aclnnGeGlu内部等价于activateLeftfalse的场景即固定对后半部分做激活。图模式算子 IR 定义ge_glu_v2_proto.h中也包含activate_left属性默认值为false。三、两段式接口与函数原型aclnnGeGlu属于 CANN 的两段式接口Two-Phase API必须先调用第一段接口aclnnGeGluGetWorkspaceSize获取计算所需的 workspace 大小以及包含算子计算流程的执行器aclOpExecutor再调用第二段接口aclnnGeGlu真正执行计算。第一段接口原型aclnnStatus aclnnGeGluGetWorkspaceSize( const aclTensor *self, int64_t dim, int64_t approximate, aclTensor *out, aclTensor *outGelu, uint64_t *workspaceSize, aclOpExecutor **executor)第二段接口原型aclnnStatus aclnnGeGlu( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)从实现看第一段接口的职责在 aclnn_geglu.cpp 的ExecGeGluGetWorkspaceSize中完成先做参数校验然后创建 OpExecutor将self通过l0op::Contiguous转成连续张量调用l0op::GeGluV2构建计算图再通过l0op::ViewCopy处理输出为非连续张量时的回写最后通过GetWorkspaceSize()返回 workspace 大小并释放执行器。第二段接口则直接调用CommonOpExecutorRun完成异步计算。四、aclnnGeGluGetWorkspaceSize 参数说明4.1 参数表参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续TensorselfaclTensor*输入待进行 GeGlu 计算的入参公式中的 self-FLOAT、FLOAT16、BFLOAT16ND0-8√dimint64_t输入可选入参设定的 slice 轴需要对 self 对应的轴进行对半分割dim 对应的 self 的轴必须是偶数INT---approximateint64_t输入可选入参GeGlu 计算使用的激活函数索引0 表示使用 none1 表示使用 tanhINT---outaclTensor*输出GeGlu 计算的出参公式中的 out_iout 的 shape 除 dim 指定的轴外与 self 保持一致dim 轴为 self 对应轴的一半数据类型与 self 一致FLOAT、FLOAT16、BFLOAT16ND0-8√outGeluaclTensor*输出GeGlu 计算的出参Gelu(B) 结果shape 约束与 out 相同数据类型与 self 一致FLOAT、FLOAT16、BFLOAT16ND0-8√workspaceSizeuint64_t*输出返回需要在 Device 侧申请的 workspace 大小-----executoraclOpExecutor**输出返回 op 执行器包含了算子计算流程-----注Atlas 推理系列产品、Atlas 训练系列产品仅支持 FLOAT、FLOAT16。参数语义在源码中有更细的印证dim支持负数索引dim 0时实际作用轴为dimNum dim见 aclnn_geglu.cppapproximate取值必须为 0 或 1超出范围会直接报ACLNN_ERR_PARAM_INVALIDcheckApproximateaclnn_geglu.cppout与outGelu在 dim 维的大小必须是self在该维大小的一半SLICE_NUM2aclnn_geglu.cpp且除 dim 轴外其余维度三个张量必须完全一致CheckOtherDimsMatch。4.2 返回值与错误码第一段接口返回aclnnStatus状态码出现以下场景时报错返回码错误码描述ACLNN_ERR_PARAM_NULLPTR161001参数 self、out、outGelu 是空指针ACLNN_ERR_PARAM_INVALID161002参数 self、out、outGelu 的数据类型不在支持的范围内ACLNN_ERR_PARAM_INVALID161002参数 out、outGelu 的数据类型与 self 不一致ACLNN_ERR_PARAM_INVALID161002self、out、outGelu 的维数大于 8ACLNN_ERR_PARAM_INVALID161002当 self.dim()0 时dim 取值不在 [-1, 0] 范围内当 self.dim()0 时dim 取值不在 [-self.dim, self.dim()-1] 范围内ACLNN_ERR_PARAM_INVALID161002out、outGelu 在 dim 维的 size 不等于 self 在 dim 维 size 的 1/2返回码的完整含义可参见 docs/zh/context/aclnn_return_code.md。需要注意的是虽然文档中接口原型允许self为 0 维标量Tensor但源码CheckShape中对dimNum 0会直接报错“Not support the input self is scalar”aclnn_geglu.cpp即标量输入在实际实现中不受支持同时空 Tensorself-IsEmpty()会被单独处理直接返回 workspace 大小而不触发计算。五、aclnnGeGlu 参数说明第二段接口的参数如下参数名输入/输出描述workspace输入在 Device 侧申请的 workspace 内存地址workspaceSize输入在 Device 侧申请的 workspace 大小由第一段接口 aclnnGeGluGetWorkspaceSize 获取executor输入op 执行器包含了算子计算流程stream输入指定执行任务的 Stream返回值同样为aclnnStatus状态码。该接口内部不做任何参数校验仅通过CommonOpExecutorRun(workspace, workspaceSize, executor, stream)驱动第一段接口构建好的执行器在指定 Stream 上异步执行aclnn_geglu.cpp。六、约束说明确定性计算aclnnGeGlu默认确定性实现即相同输入在相同环境下多次执行结果一致适合对结果可复现性有要求的训练或推理场景。七、调用示例完整可运行以下代码来自文档原文与仓库样例 examples/test_aclnn_ge_glu.cpp 一致完整演示了「初始化 → 构造 aclTensor → 两段式调用 → 同步等待 → 结果回拷 → 资源释放」的完整流程。编译与运行的整体流程请参考 docs/zh/context/compile_and_run_sample.md。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_geglu.h #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vectorint64_t shape) { int64_t shapeSize 1; for (auto i : shape) { shapeSize * i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream* stream) { // 固定写法资源初始化 auto ret aclInit(nullptr); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclInit failed. ERROR: %d\n, ret); return ret); ret aclrtSetDevice(deviceId); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSetDevice failed. ERROR: %d\n, ret); return ret); ret aclrtCreateStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtCreateStream failed. ERROR: %d\n, ret); return ret); return 0; } template typename T int CreateAclTensor( const std::vectorT hostData, const std::vectorint64_t shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) { auto size GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtMalloc failed. ERROR: %d\n, ret); return ret); // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上 ret aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtMemcpy failed. ERROR: %d\n, ret); return ret); // 计算连续tensor的strides std::vectorint64_t strides(shape.size(), 1); for (int64_t i shape.size() - 2; i 0; i--) { strides[i] shape[i 1] * strides[i 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor aclCreateTensor( shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { // 1. 固定写法device/stream初始化参考acl API手册 // 根据自己的实际device填写deviceId int32_t deviceId 0; aclrtStream stream; auto ret Init(deviceId, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(Init acl failed. ERROR: %d\n, ret); return ret); // 2. 构造输入与输出需要根据API的接口自定义构造 std::vectorint64_t selfShape {2, 2}; std::vectorint64_t outShape {2, 1}; void* selfDeviceAddr nullptr; void* outDeviceAddr nullptr; void* outGeluDeviceAddr nullptr; aclTensor* self nullptr; aclTensor* out nullptr; aclTensor* outGelu nullptr; std::vectorfloat selfHostData {0, 1, 2, 3}; std::vectorfloat outHostData {0, 0}; std::vectorfloat outGeluHostData {0, 0}; int dim -1; int approximate 1; // 创建self aclTensor ret CreateAclTensor(selfHostData, selfShape, selfDeviceAddr, aclDataType::ACL_FLOAT, self); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建out aclTensor ret CreateAclTensor(outHostData, outShape, outDeviceAddr, aclDataType::ACL_FLOAT, out); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建outGelu aclTensor ret CreateAclTensor(outGeluHostData, outShape, outGeluDeviceAddr, aclDataType::ACL_FLOAT, outGelu); CHECK_RET(ret ACL_SUCCESS, return ret); // 3. 调用CANN算子库API需要修改为具体的API名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 调用aclnnGeGlu第一段接口 ret aclnnGeGluGetWorkspaceSize(self, dim, approximate, out, outGelu, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnGeGluGetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void* workspaceAddr nullptr; if (workspaceSize 0) { ret aclrtMalloc(workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(allocate workspace failed. ERROR: %d\n, ret); return ret); } // 调用aclnnGeGlu第二段接口 ret aclnnGeGlu(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnGeGlu failed. ERROR: %d\n, ret); return ret); // 4. 固定写法同步等待任务执行结束 ret aclrtSynchronizeStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSynchronizeStream failed. ERROR: %d\n, ret); return ret); // 5. 获取输出的值将device侧内存上的结果拷贝至host侧需要根据具体API的接口定义修改 auto size GetShapeSize(outShape); std::vectorfloat resultData(size, 0); ret aclrtMemcpy( resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(copy result from device to host failed. ERROR: %d\n, ret); return ret); for (int64_t i 0; i size; i) { LOG_PRINT(result[%ld] is: %f\n, i, resultData[i]); } std::vectorfloat resultGeluData(size, 0); ret aclrtMemcpy( resultGeluData.data(), resultGeluData.size() * sizeof(resultGeluData[0]), outGeluDeviceAddr, size * sizeof(resultGeluData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET( ret ACL_SUCCESS, LOG_PRINT(copy resultGelu from device to host failed. ERROR: %d\n, ret); return ret); for (int64_t i 0; i size; i) { LOG_PRINT(result[%ld] is: %f\n, i, resultGeluData[i]); } // 6. 释放aclTensor和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(self); aclDestroyTensor(out); aclDestroyTensor(outGelu); // 7. 释放device资源需要根据具体API的接口定义修改 aclrtFree(selfDeviceAddr); aclrtFree(outDeviceAddr); aclrtFree(outGeluDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }示例要点解读示例中selfShape{2,2}、dim-1self沿最后一维size2对半切分得到左右各 2 个元素因此outShape{2,1}若dim指定为0则self沿第 0 维切分此时out的 shape 应为{1,2}。approximate1表示使用 tanh 近似 GELU若置0则使用精确的 erf 公式F.gelu(approximatenone)语义。workspace 仅在workspaceSize 0时申请避免无谓的内存开销示例中申请使用ACL_MEM_MALLOC_HUGE_FIRST策略。第 5 步必须放在aclrtSynchronizeStream之后确保 Device 侧计算完成后再把结果回拷 Host。八、仓库源码级原理纵深8.1 aclnn 接口执行链路aclnnGeGluGetWorkspaceSize的完整执行链路aclnn_geglu.cpp参数校验CheckParams依次执行空指针检查CheckNotNull、数据类型检查CheckDtypeValid校验 self/out/outGelu 均在支持列表内且类型一致、shape 检查CheckShape最大维数、dim 范围、切分维大小与其余维一致性以及 approximate 取值范围检查空 Tensor 快速路径self-IsEmpty()或 0 维时直接返回GetWorkspaceSize()不构图构图l0op::Contiguous将非连续输入转连续 →l0op::GeGluV2(selfContiguous, dim, approximate, activateLeft, executor)生成主计算图返回两个输出→l0op::ViewCopy将连续结果回写到用户可能不连续的out/outGelu返回 workspace 大小uniqueExecutor-GetWorkspaceSize()汇总整条链路所需的 Device 侧临时内存包括Contiguous与ViewCopy可能产生的拷贝缓冲。头文件 aclnn_geglu.h 中给出了等价的计算图示意self → Contiguous → GeGlu → ViewCopy → out / outGeludim与approximate作为属性输入到GeGlu节点。8.2 算子定义与 shape 推导图模式算子GeGluV2的 IR 定义位于 ge_glu_v2_proto.h输入x、输出y与gelu支持DT_BF16 / DT_FLOAT16 / DT_FLOAT三个属性dim默认 -1、approximate默认 1、activate_left默认 false。IR 注释明确说明split 维度长度必须是偶数Atlas 推理系列产品仅支持tanh近似approximate1。Host 侧的算子注册与格式/精度配置见 ge_glu_v2_def.cpp其中对ascend950、ascend350启用了动态编译、动态格式、动态 rank/shape 支持与精度保持标志PrecisionReduceFlag。infershape 实现ge_glu_v2_infershape.cpp的核心逻辑是out与outGelu的 shape 在除dim轴外与x完全一致dim轴长度被置为x在该维长度除以 2SPLIT_NUM2。8.3 tiling 分核策略tiling 实现ge_glu_v2_tiling.cpp展示了 NPU kernel 侧如何把大张量切分为多核并行任务依据approximate选择 tanhtiling key 101/102/103或 erftiling key 111/112/113计算路径以及按 FP16/BF16/FP32 选择不同的 block 对齐粒度FP16/BF16 为 16 元素一个 blockFP32 为 8 元素一个 block32 字节对齐数据量小时使用GetTilingDataSmall单组处理数据量大时使用GetTilingDataBig按 buffer 上限分多组循环处理numPerCore、group、loopNum、尾核处理tailLoopNum/lastTailGroup等字段共同刻画每个 AI Core 的搬运与计算节奏workspace 大小固定预留 16MBWORK_SPACE_SIZE 16U * 1024U * 1024U用于 310P 等场景下数据跨 block 边界的转存。8.4 kernel 实现要点kernel 侧op_kernel/ge_glu_v2_base.h 及 arch35 下的 tanh/erf 分支实现基于 AscendC 编写关键点包括GELU 的两种计算公式被编译为不同的 kernel 变体tanh 近似使用常数beta0.044715、alpha1.5957691erf 精确计算使用分段多项式逼近系数ERF_PARAM21~ERF_PARAM27与阈值ERF_THRESHOLD5.75对应 arch35 目录下的ge_glu_v2_*_erf.h系列文件输入按奇偶通道拆分EVEN/ODD掩码vreduce_srcPattern_x1/x2分别对应公式中的 A 与 B 数据块不同 dtype 与切片形态对齐/不对齐、末轴大数据、vreduce组合出多套特化 kernel如ge_glu_v2_fp16_align.h、ge_glu_v2_fp32_align_last_axis_big.h、ge_glu_v2_bf16_vreduce.h等分布在 op_kernel 目录。8.5 测试与 golden 验证仓库为aclnnGeGlu提供了完整的验证体系ST 测试tests/st/aclnnGeGlu/executor_aclnnGeGlu.py 中定义了aclnnGeGluV3Discontinues的 golden 参考实现先对输入在dim维做chunk(2, dim)切分对后半块调用F.gelu(approximate...)0→none1→tanh再与前半块逐元素相乘同时校验切分维长度必须为偶数input_x.size(dim) % 2 ! 0时报错与接口参数约束严格对应用例参数由 atk_aclnnGeGlu.json 驱动UT 测试Host 侧覆盖了 infershape 与 tiling 的单元测试tests/ut/op_host/test_ge_glu_v2_infershape.cpp、test_ge_glu_v2_tiling.cppkernel 侧通过 ge_glu_v2_data/gen_data.py 生成测试数据并在 test_ge_glu_v2.cpp 中验证计算结果。九、与其他调用方式的关系GeGluV2算子在本仓库中共有三种调用方式见 README.md调用方式调用样例说明aclnn 调用test_aclnn_ge_glu.cpp通过 aclnnGeGlu 接口方式调用 GeGluV2 算子aclnn 调用test_aclnn_ge_glu_v3.cpp通过 aclnnGeGluV3 接口方式调用 GeGluV2 算子支持 activateLeft 属性图模式调用op_graph/ge_glu_v2_proto.h通过算子 IR 构图方式调用 GeGluV2 算子其中aclnnGeGlu与aclnnGeGluV3共享同一套底层实现ExecGeGluGetWorkspaceSize区别仅在于 V3 多传入一个activateLeft布尔参数aclnnGeGlu 固定传false见 aclnn_geglu.cpp开发者可以按需选择。十、使用建议与注意事项两段式接口顺序不可颠倒aclnnGeGlu必须在aclnnGeGluGetWorkspaceSize返回成功之后调用且workspaceSize、executor必须原样回传shape 规划out与outGelu在dim维的大小必须是self的一半且self该维长度必须为偶数否则第一段接口直接返回ACLNN_ERR_PARAM_INVALID161002dtype 一致性out、outGelu的数据类型必须与self完全一致在 Atlas 推理系列 / Atlas 训练系列产品上仅支持 FLOAT、FLOAT16在 Kirin X90/9030 上不支持 BFLOAT16跨平台移植时需注意非连续 Tensor 支持self、out、outGelu均支持非连续 Tensor框架内部会通过Contiguous/ViewCopy自动处理用户无需手动转连续但会带来额外的 workspace 开销资源管理workspace 内存、device 内存与 aclTensor 需要按示例第 6、7 步显式释放避免 NPU 显存泄漏stream同步等待后再读取结果。【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 CANN ops-nn aclnnGeGlu 算子接口详解：GeGLU 高斯误差线性门控单元的两段式调用与 NPU 实现
CANN ops-nn aclnnGeGlu 算子接口详解GeGLU 高斯误差线性门控单元的两段式调用与 NPU 实现【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn导读aclnnGeGlu是 CANN ops-nn 神经网络算子库中GeGluV2算子对外暴露的 aclnn 标准接口用于在昇腾 NPU 上计算高斯误差线性单元门控激活GeGLUGated Gaussian Error Linear Unit。本文以仓库文档 activation/ge_glu_v2/docs/aclnnGeGlu.md 为核心骨架完整讲解其产品支持矩阵、数学原理、两段式接口原型与参数约束、错误码语义、完整可运行示例并结合仓库内 op_host、op_kernel、op_graph 与测试代码深入到 aclnn 执行器构图、infershape、tiling 分核与 kernel 实现的源码细节。读完本文你将掌握如何在 NPU 上正确构造 aclTensor、调用aclnnGeGluGetWorkspaceSize/aclnnGeGlu完成 GeGLU 计算并能对照源码理解其内部实现路径。一、产品支持情况aclnnGeGlu在不同昇腾产品线上的支持情况如下来自 aclnnGeGlu.md 与 README.md 的对照产品是否支持Ascend 950PR / Ascend 950DT√Atlas A3 训练系列产品 / Atlas A3 推理系列产品√Atlas A2 训练系列产品 / Atlas A2 推理系列产品√Atlas 200I/500 A2 推理产品×Atlas 推理系列产品√Atlas 训练系列产品×Atlas Kirin X90 处理器系列产品√Atlas Kirin 9030 处理器系列产品√其中Atlas 推理系列产品 / Atlas 训练系列产品仅支持 FLOAT、FLOAT16 两种数据类型而 Atlas Kirin X90、Atlas Kirin 9030 系列不支持 BFLOAT16。这一产品差异在源码中也得到了印证在 ge_glu_v2_def.cpp 中ascend310p、kirinx90、kirin9030三个配置的输入输出只声明了DT_FLOAT16、DT_FLOAT而ascend910_93、ascend910b、ascend950、ascend350配置则完整声明了DT_FLOAT16、DT_BF16、DT_FLOAT三种类型aclnn_geglu.cpp 中GetDtypeSupportList()也只有在 DAV_2201 架构对应 950 系列或 Regbase 模式下才把DT_BF16加入支持列表。二、功能说明与数学原理aclnnGeGlu的接口功能是高斯误差线性单元激活函数GeGLUGated GELU其计算公式为$$ out_{i}GeGlu(self_{i}) A \cdot Gelu(B) $$其中 $A$ 表示self的前半部分split 轴左侧的数据块$B$ 表示self的后半部分split 轴右侧的数据块。也就是说self首先沿dim指定的轴被对半切分对后半部分应用 GELU 激活再与前半部分逐元素相乘得到out同时Gelu(B)的结果被单独输出到outGelu。值得注意的版本差异仓库中还存在增强版本aclnnGeGluV3接口声明见 aclnn_geglu.h它额外提供activateLeft布尔属性用于控制激活函数作用于左半部分还是右半部分。当activateLefttrue时公式变为 $out_{i}Gelu(A)\cdot B$aclnnGeGlu内部等价于activateLeftfalse的场景即固定对后半部分做激活。图模式算子 IR 定义ge_glu_v2_proto.h中也包含activate_left属性默认值为false。三、两段式接口与函数原型aclnnGeGlu属于 CANN 的两段式接口Two-Phase API必须先调用第一段接口aclnnGeGluGetWorkspaceSize获取计算所需的 workspace 大小以及包含算子计算流程的执行器aclOpExecutor再调用第二段接口aclnnGeGlu真正执行计算。第一段接口原型aclnnStatus aclnnGeGluGetWorkspaceSize( const aclTensor *self, int64_t dim, int64_t approximate, aclTensor *out, aclTensor *outGelu, uint64_t *workspaceSize, aclOpExecutor **executor)第二段接口原型aclnnStatus aclnnGeGlu( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)从实现看第一段接口的职责在 aclnn_geglu.cpp 的ExecGeGluGetWorkspaceSize中完成先做参数校验然后创建 OpExecutor将self通过l0op::Contiguous转成连续张量调用l0op::GeGluV2构建计算图再通过l0op::ViewCopy处理输出为非连续张量时的回写最后通过GetWorkspaceSize()返回 workspace 大小并释放执行器。第二段接口则直接调用CommonOpExecutorRun完成异步计算。四、aclnnGeGluGetWorkspaceSize 参数说明4.1 参数表参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续TensorselfaclTensor*输入待进行 GeGlu 计算的入参公式中的 self-FLOAT、FLOAT16、BFLOAT16ND0-8√dimint64_t输入可选入参设定的 slice 轴需要对 self 对应的轴进行对半分割dim 对应的 self 的轴必须是偶数INT---approximateint64_t输入可选入参GeGlu 计算使用的激活函数索引0 表示使用 none1 表示使用 tanhINT---outaclTensor*输出GeGlu 计算的出参公式中的 out_iout 的 shape 除 dim 指定的轴外与 self 保持一致dim 轴为 self 对应轴的一半数据类型与 self 一致FLOAT、FLOAT16、BFLOAT16ND0-8√outGeluaclTensor*输出GeGlu 计算的出参Gelu(B) 结果shape 约束与 out 相同数据类型与 self 一致FLOAT、FLOAT16、BFLOAT16ND0-8√workspaceSizeuint64_t*输出返回需要在 Device 侧申请的 workspace 大小-----executoraclOpExecutor**输出返回 op 执行器包含了算子计算流程-----注Atlas 推理系列产品、Atlas 训练系列产品仅支持 FLOAT、FLOAT16。参数语义在源码中有更细的印证dim支持负数索引dim 0时实际作用轴为dimNum dim见 aclnn_geglu.cppapproximate取值必须为 0 或 1超出范围会直接报ACLNN_ERR_PARAM_INVALIDcheckApproximateaclnn_geglu.cppout与outGelu在 dim 维的大小必须是self在该维大小的一半SLICE_NUM2aclnn_geglu.cpp且除 dim 轴外其余维度三个张量必须完全一致CheckOtherDimsMatch。4.2 返回值与错误码第一段接口返回aclnnStatus状态码出现以下场景时报错返回码错误码描述ACLNN_ERR_PARAM_NULLPTR161001参数 self、out、outGelu 是空指针ACLNN_ERR_PARAM_INVALID161002参数 self、out、outGelu 的数据类型不在支持的范围内ACLNN_ERR_PARAM_INVALID161002参数 out、outGelu 的数据类型与 self 不一致ACLNN_ERR_PARAM_INVALID161002self、out、outGelu 的维数大于 8ACLNN_ERR_PARAM_INVALID161002当 self.dim()0 时dim 取值不在 [-1, 0] 范围内当 self.dim()0 时dim 取值不在 [-self.dim, self.dim()-1] 范围内ACLNN_ERR_PARAM_INVALID161002out、outGelu 在 dim 维的 size 不等于 self 在 dim 维 size 的 1/2返回码的完整含义可参见 docs/zh/context/aclnn_return_code.md。需要注意的是虽然文档中接口原型允许self为 0 维标量Tensor但源码CheckShape中对dimNum 0会直接报错“Not support the input self is scalar”aclnn_geglu.cpp即标量输入在实际实现中不受支持同时空 Tensorself-IsEmpty()会被单独处理直接返回 workspace 大小而不触发计算。五、aclnnGeGlu 参数说明第二段接口的参数如下参数名输入/输出描述workspace输入在 Device 侧申请的 workspace 内存地址workspaceSize输入在 Device 侧申请的 workspace 大小由第一段接口 aclnnGeGluGetWorkspaceSize 获取executor输入op 执行器包含了算子计算流程stream输入指定执行任务的 Stream返回值同样为aclnnStatus状态码。该接口内部不做任何参数校验仅通过CommonOpExecutorRun(workspace, workspaceSize, executor, stream)驱动第一段接口构建好的执行器在指定 Stream 上异步执行aclnn_geglu.cpp。六、约束说明确定性计算aclnnGeGlu默认确定性实现即相同输入在相同环境下多次执行结果一致适合对结果可复现性有要求的训练或推理场景。七、调用示例完整可运行以下代码来自文档原文与仓库样例 examples/test_aclnn_ge_glu.cpp 一致完整演示了「初始化 → 构造 aclTensor → 两段式调用 → 同步等待 → 结果回拷 → 资源释放」的完整流程。编译与运行的整体流程请参考 docs/zh/context/compile_and_run_sample.md。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_geglu.h #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vectorint64_t shape) { int64_t shapeSize 1; for (auto i : shape) { shapeSize * i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream* stream) { // 固定写法资源初始化 auto ret aclInit(nullptr); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclInit failed. ERROR: %d\n, ret); return ret); ret aclrtSetDevice(deviceId); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSetDevice failed. ERROR: %d\n, ret); return ret); ret aclrtCreateStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtCreateStream failed. ERROR: %d\n, ret); return ret); return 0; } template typename T int CreateAclTensor( const std::vectorT hostData, const std::vectorint64_t shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) { auto size GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtMalloc failed. ERROR: %d\n, ret); return ret); // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上 ret aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtMemcpy failed. ERROR: %d\n, ret); return ret); // 计算连续tensor的strides std::vectorint64_t strides(shape.size(), 1); for (int64_t i shape.size() - 2; i 0; i--) { strides[i] shape[i 1] * strides[i 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor aclCreateTensor( shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { // 1. 固定写法device/stream初始化参考acl API手册 // 根据自己的实际device填写deviceId int32_t deviceId 0; aclrtStream stream; auto ret Init(deviceId, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(Init acl failed. ERROR: %d\n, ret); return ret); // 2. 构造输入与输出需要根据API的接口自定义构造 std::vectorint64_t selfShape {2, 2}; std::vectorint64_t outShape {2, 1}; void* selfDeviceAddr nullptr; void* outDeviceAddr nullptr; void* outGeluDeviceAddr nullptr; aclTensor* self nullptr; aclTensor* out nullptr; aclTensor* outGelu nullptr; std::vectorfloat selfHostData {0, 1, 2, 3}; std::vectorfloat outHostData {0, 0}; std::vectorfloat outGeluHostData {0, 0}; int dim -1; int approximate 1; // 创建self aclTensor ret CreateAclTensor(selfHostData, selfShape, selfDeviceAddr, aclDataType::ACL_FLOAT, self); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建out aclTensor ret CreateAclTensor(outHostData, outShape, outDeviceAddr, aclDataType::ACL_FLOAT, out); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建outGelu aclTensor ret CreateAclTensor(outGeluHostData, outShape, outGeluDeviceAddr, aclDataType::ACL_FLOAT, outGelu); CHECK_RET(ret ACL_SUCCESS, return ret); // 3. 调用CANN算子库API需要修改为具体的API名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 调用aclnnGeGlu第一段接口 ret aclnnGeGluGetWorkspaceSize(self, dim, approximate, out, outGelu, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnGeGluGetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void* workspaceAddr nullptr; if (workspaceSize 0) { ret aclrtMalloc(workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(allocate workspace failed. ERROR: %d\n, ret); return ret); } // 调用aclnnGeGlu第二段接口 ret aclnnGeGlu(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnGeGlu failed. ERROR: %d\n, ret); return ret); // 4. 固定写法同步等待任务执行结束 ret aclrtSynchronizeStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSynchronizeStream failed. ERROR: %d\n, ret); return ret); // 5. 获取输出的值将device侧内存上的结果拷贝至host侧需要根据具体API的接口定义修改 auto size GetShapeSize(outShape); std::vectorfloat resultData(size, 0); ret aclrtMemcpy( resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(copy result from device to host failed. ERROR: %d\n, ret); return ret); for (int64_t i 0; i size; i) { LOG_PRINT(result[%ld] is: %f\n, i, resultData[i]); } std::vectorfloat resultGeluData(size, 0); ret aclrtMemcpy( resultGeluData.data(), resultGeluData.size() * sizeof(resultGeluData[0]), outGeluDeviceAddr, size * sizeof(resultGeluData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET( ret ACL_SUCCESS, LOG_PRINT(copy resultGelu from device to host failed. ERROR: %d\n, ret); return ret); for (int64_t i 0; i size; i) { LOG_PRINT(result[%ld] is: %f\n, i, resultGeluData[i]); } // 6. 释放aclTensor和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(self); aclDestroyTensor(out); aclDestroyTensor(outGelu); // 7. 释放device资源需要根据具体API的接口定义修改 aclrtFree(selfDeviceAddr); aclrtFree(outDeviceAddr); aclrtFree(outGeluDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }示例要点解读示例中selfShape{2,2}、dim-1self沿最后一维size2对半切分得到左右各 2 个元素因此outShape{2,1}若dim指定为0则self沿第 0 维切分此时out的 shape 应为{1,2}。approximate1表示使用 tanh 近似 GELU若置0则使用精确的 erf 公式F.gelu(approximatenone)语义。workspace 仅在workspaceSize 0时申请避免无谓的内存开销示例中申请使用ACL_MEM_MALLOC_HUGE_FIRST策略。第 5 步必须放在aclrtSynchronizeStream之后确保 Device 侧计算完成后再把结果回拷 Host。八、仓库源码级原理纵深8.1 aclnn 接口执行链路aclnnGeGluGetWorkspaceSize的完整执行链路aclnn_geglu.cpp参数校验CheckParams依次执行空指针检查CheckNotNull、数据类型检查CheckDtypeValid校验 self/out/outGelu 均在支持列表内且类型一致、shape 检查CheckShape最大维数、dim 范围、切分维大小与其余维一致性以及 approximate 取值范围检查空 Tensor 快速路径self-IsEmpty()或 0 维时直接返回GetWorkspaceSize()不构图构图l0op::Contiguous将非连续输入转连续 →l0op::GeGluV2(selfContiguous, dim, approximate, activateLeft, executor)生成主计算图返回两个输出→l0op::ViewCopy将连续结果回写到用户可能不连续的out/outGelu返回 workspace 大小uniqueExecutor-GetWorkspaceSize()汇总整条链路所需的 Device 侧临时内存包括Contiguous与ViewCopy可能产生的拷贝缓冲。头文件 aclnn_geglu.h 中给出了等价的计算图示意self → Contiguous → GeGlu → ViewCopy → out / outGeludim与approximate作为属性输入到GeGlu节点。8.2 算子定义与 shape 推导图模式算子GeGluV2的 IR 定义位于 ge_glu_v2_proto.h输入x、输出y与gelu支持DT_BF16 / DT_FLOAT16 / DT_FLOAT三个属性dim默认 -1、approximate默认 1、activate_left默认 false。IR 注释明确说明split 维度长度必须是偶数Atlas 推理系列产品仅支持tanh近似approximate1。Host 侧的算子注册与格式/精度配置见 ge_glu_v2_def.cpp其中对ascend950、ascend350启用了动态编译、动态格式、动态 rank/shape 支持与精度保持标志PrecisionReduceFlag。infershape 实现ge_glu_v2_infershape.cpp的核心逻辑是out与outGelu的 shape 在除dim轴外与x完全一致dim轴长度被置为x在该维长度除以 2SPLIT_NUM2。8.3 tiling 分核策略tiling 实现ge_glu_v2_tiling.cpp展示了 NPU kernel 侧如何把大张量切分为多核并行任务依据approximate选择 tanhtiling key 101/102/103或 erftiling key 111/112/113计算路径以及按 FP16/BF16/FP32 选择不同的 block 对齐粒度FP16/BF16 为 16 元素一个 blockFP32 为 8 元素一个 block32 字节对齐数据量小时使用GetTilingDataSmall单组处理数据量大时使用GetTilingDataBig按 buffer 上限分多组循环处理numPerCore、group、loopNum、尾核处理tailLoopNum/lastTailGroup等字段共同刻画每个 AI Core 的搬运与计算节奏workspace 大小固定预留 16MBWORK_SPACE_SIZE 16U * 1024U * 1024U用于 310P 等场景下数据跨 block 边界的转存。8.4 kernel 实现要点kernel 侧op_kernel/ge_glu_v2_base.h 及 arch35 下的 tanh/erf 分支实现基于 AscendC 编写关键点包括GELU 的两种计算公式被编译为不同的 kernel 变体tanh 近似使用常数beta0.044715、alpha1.5957691erf 精确计算使用分段多项式逼近系数ERF_PARAM21~ERF_PARAM27与阈值ERF_THRESHOLD5.75对应 arch35 目录下的ge_glu_v2_*_erf.h系列文件输入按奇偶通道拆分EVEN/ODD掩码vreduce_srcPattern_x1/x2分别对应公式中的 A 与 B 数据块不同 dtype 与切片形态对齐/不对齐、末轴大数据、vreduce组合出多套特化 kernel如ge_glu_v2_fp16_align.h、ge_glu_v2_fp32_align_last_axis_big.h、ge_glu_v2_bf16_vreduce.h等分布在 op_kernel 目录。8.5 测试与 golden 验证仓库为aclnnGeGlu提供了完整的验证体系ST 测试tests/st/aclnnGeGlu/executor_aclnnGeGlu.py 中定义了aclnnGeGluV3Discontinues的 golden 参考实现先对输入在dim维做chunk(2, dim)切分对后半块调用F.gelu(approximate...)0→none1→tanh再与前半块逐元素相乘同时校验切分维长度必须为偶数input_x.size(dim) % 2 ! 0时报错与接口参数约束严格对应用例参数由 atk_aclnnGeGlu.json 驱动UT 测试Host 侧覆盖了 infershape 与 tiling 的单元测试tests/ut/op_host/test_ge_glu_v2_infershape.cpp、test_ge_glu_v2_tiling.cppkernel 侧通过 ge_glu_v2_data/gen_data.py 生成测试数据并在 test_ge_glu_v2.cpp 中验证计算结果。九、与其他调用方式的关系GeGluV2算子在本仓库中共有三种调用方式见 README.md调用方式调用样例说明aclnn 调用test_aclnn_ge_glu.cpp通过 aclnnGeGlu 接口方式调用 GeGluV2 算子aclnn 调用test_aclnn_ge_glu_v3.cpp通过 aclnnGeGluV3 接口方式调用 GeGluV2 算子支持 activateLeft 属性图模式调用op_graph/ge_glu_v2_proto.h通过算子 IR 构图方式调用 GeGluV2 算子其中aclnnGeGlu与aclnnGeGluV3共享同一套底层实现ExecGeGluGetWorkspaceSize区别仅在于 V3 多传入一个activateLeft布尔参数aclnnGeGlu 固定传false见 aclnn_geglu.cpp开发者可以按需选择。十、使用建议与注意事项两段式接口顺序不可颠倒aclnnGeGlu必须在aclnnGeGluGetWorkspaceSize返回成功之后调用且workspaceSize、executor必须原样回传shape 规划out与outGelu在dim维的大小必须是self的一半且self该维长度必须为偶数否则第一段接口直接返回ACLNN_ERR_PARAM_INVALID161002dtype 一致性out、outGelu的数据类型必须与self完全一致在 Atlas 推理系列 / Atlas 训练系列产品上仅支持 FLOAT、FLOAT16在 Kirin X90/9030 上不支持 BFLOAT16跨平台移植时需注意非连续 Tensor 支持self、out、outGelu均支持非连续 Tensor框架内部会通过Contiguous/ViewCopy自动处理用户无需手动转连续但会带来额外的 workspace 开销资源管理workspace 内存、device 内存与 aclTensor 需要按示例第 6、7 步显式释放避免 NPU 显存泄漏stream同步等待后再读取结果。【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考