@kernaut/kernaut-resources 0.1.17-beta.1 → 0.1.18

package/resources/kop-2026-10-23-0.1.17-beta.1/product_capabilities/kernel_optflow/skills/KernelWiki-private/wiki/ascend/api-definitions/ascendc/pages/atlasascendc_api_07_0073.md

@@ -1,394 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0073
-title: "AscendC Cast"
-type: api-definition
-vendor: ascend
-func_name: "Cast"
-namespace: ascendc
-header: kernel_operator.h
-signature: "see body"
-source:
-- path: "https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0073.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- vector-unit
-confidence: source-reported
-evidence_level: spec
----
-# Cast-类型转换-矢量计算-基础API-Ascend C算子开发接口-API-CANN社区版8.5.0开发文档-昇腾社区
-**页面ID:** atlasascendc_api_07_0073
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0073.html
----
-
-# Cast
-
-#### 产品支持情况
-
-| 产品 | 是否支持 |
-| --- | --- |
-| 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AI Core | √ |
-| Atlas 推理系列产品Vector Core | x |
-| Atlas 训练系列产品 | √ |
-
-#### 功能说明
-
-根据源操作数和目的操作数Tensor的数据类型进行精度转换。
-
-在了解精度转换规则之前，需要先了解浮点数的表示方式和二进制的舍入规则：
-
-- 浮点数的表示方式half共16bit，包括1bit符号位（S），5bit指数位（E）和10bit尾数位（M）。当E不全为0或不全为1时，表示的结果为：(-1)S* 2E - 15* (1 + M)当E全为0时，表示的结果为：(-1)S* 2-14* M当E全为1时，若M全为0，表示的结果为±inf（取决于符号位）；若M不全为0，表示的结果为nan。上图中S=0，E=15，M = 2-1+ 2-2，表示的结果为1.75。float共32bit，包括1bit符号位（S），8bit指数位（E）和23bit尾数位（M）。当E不全为0或不全为1时，表示的结果为：(-1)S* 2E - 127* (1 + M)当E全为0时，表示的结果为：(-1)S* 2-126* M当E全为1时，若M全为0，表示的结果为±inf（取决于符号位）；若M不全为0，表示的结果为nan。上图中S = 0，E = 127，M = 2-1+ 2-2，最终表示的结果为1.75 。bfloat16_t共16bit，包括1bit符号位（S），8bit指数位（E）和7bit尾数位（M）。当E不全为0或不全为1时，表示的结果为：(-1)S* 2E - 127* (1 + M)当E全为0时，表示的结果为：(-1)S* 2-126* M当E全为1时，若M全为0，表示的结果为±inf（取决于符号位）；若M不全为0，表示的结果为nan。上图中S = 0，E = 127，M = 2-1+ 2-2，最终表示的结果为1.75。
-- 二进制的舍入规则和十进制类似，具体如下：CAST_RINT模式下，若待舍入部分的第一位为0，则不进位；若第一位为1且后续位不全为0，则进位；若第一位为1且后续位全为0，当M的最后一位为0则不进位，当M的最后一位为1则进位。CAST_FLOOR模式下，若S为0，则不进位；若S为1，当待舍入部分全为0则不进位，否则，进位。CAST_CEIL模式下，若S为1，则不进位；若S为0，当待舍入部分全为0则不进位；否则，进位。CAST_ROUND模式下，若待舍入部分的第一位为0，则不进位；否则，进位。CAST_TRUNC模式下，总是不进位。CAST_ODD模式下，若待舍入部分全为0，则不进位；若待舍入部分不全为0，当M的最后一位为1则不进位，当M的最后一位为0则进位。
-
-精度转换规则如下表所示（为方便描述下文描述中的src代表源操作数，dst代表目的操作数）：
-
-| src类型 | dst类型 | 精度转换规则介绍 |
-| --- | --- | --- |
-| float | float | 将src按照roundMode（精度转换处理模式，参见参数说明中的roundMode参数）取整，仍以float格式存入dst中。示例：输入0.5，CAST_RINT模式输出0.0，CAST_FLOOR模式输出0.0，CAST_CEIL模式输出1.0，CAST_ROUND模式输出1.0，CAST_TRUNC模式输出0.0。 |
-| half | 将src按照roundMode取到half所能表示的数，以half格式（溢出默认按照饱和处理）存入dst中。示例：输入0.5 + 2-12，写成float的表示形式：2-1* (1 + 2-11)，因此E = -1 + 127 = 126，M = 2-11。half的指数位可以表示出2-1，E = -1 + 15 = 14，但half只有10 bit尾数位，因此灰色部分要进行舍入。CAST_RINT模式舍入得尾数0000000000，E = 14，M = 0，最终表示的结果为0.5；CAST_FLOOR模式舍入得尾数0000000000，E = 14，M = 0，最终表示的结果为0.5；CAST_CEIL模式舍入得尾数0000000001，E = 14，M = 2-10，最终表示的结果为0.5 + 2-11；CAST_ROUND模式舍入得尾数0000000001，E = 14，M = 2-10，最终表示的结果为0.5 + 2-11；CAST_TRUNC模式舍入得尾数0000000000，E = 14，M = 0，最终表示的结果为0.5；CAST_ODD模式舍入得尾数0000000001，E = 14，M = 2-10，最终表示的结果为0.5 + 2-11。 |
-| int64_t | 将src按照roundMode取整，以int64_t格式（溢出默认按照饱和处理）存入dst中。示例：输入222+ 0.5，CAST_RINT模式输出222，CAST_FLOOR模式输出222，CAST_CEIL模式输出222+ 1，CAST_ROUND模式输出222+ 1，CAST_TRUNC模式输出222。 |
-| int32_t | 将src按照roundMode取整，以int32_t格式（溢出默认按照饱和处理）存入dst中。示例：输入222+ 0.5，CAST_RINT模式输出222，CAST_FLOOR模式输出222，CAST_CEIL模式输出222+ 1，CAST_ROUND模式输出222+ 1，CAST_TRUNC模式输出222。 |
-| int16_t | 将src按照roundMode取整，以int16_t格式（溢出默认按照饱和处理）存入dst中。示例：输入222+ 0.5，CAST_RINT模式输出215- 1（溢出处理），CAST_FLOOR模式输出215- 1（溢出处理），CAST_CEIL模式输出215- 1（溢出处理），CAST_ROUND模式输出215- 1（溢出处理），CAST_TRUNC模式输出215- 1（溢出处理）。 |
-| bfloat16_t | 将src按照roundMode取到bfloat16_t所能表示的数，以bfloat16_t格式（溢出默认按照饱和处理）存入dst中。示例：输入0.5+ 2-9+ 2-11，写成float的表示形式：2-1* (1 + 2-8+ 2-10)，因此E = -1 + 127 = 126，M = 2-8+ 2-10。bfloat16_t的指数位位数和float的相同，有E = 126，但bfloat16_t只有7bit尾数位，因此灰色部分要进行舍入。CAST_RINT模式舍入得尾数0000001，E = 126，M = 2-7，最终表示的结果为0.5 + 2-8；CAST_FLOOR模式舍入得尾数0000000，E = 126，M = 0，最终表示的结果为0.5；CAST_CEIL模式舍入得尾数0000001，E = 126，M = 2-7，最终表示的结果为0.5 + 2-8；CAST_ROUND模式舍入得尾数0000001，E = 126，M = 2-7，最终表示的结果为0.5 + 2-8；CAST_TRUNC模式舍入得尾数0000000，E = 126，M = 0，最终表示的结果为0.5。 |
-| half | float | 将src以float格式存入dst中，不存在精度转换问题，无舍入模式。示例：输入1.5 - 2-10，输出1.5 - 2-10。 |
-| int32_t | 将src按照roundMode取整，以int32_t格式存入dst中。示例：输入-1.5，CAST_RINT模式输出-2，CAST_FLOOR模式输出-2，CAST_CEIL模式输出-1，CAST_ROUND模式输出-2，CAST_TRUNC模式输出-1。 |
-| int16_t | 将src按照roundMode取整，以int16_t格式（溢出默认按照饱和处理）存入dst中。示例：输入27- 0.5，CAST_RINT模式输出27，CAST_FLOOR模式输出27- 1，CAST_CEIL模式输出27，CAST_ROUND模式输出27，CAST_TRUNC模式输出27- 1。 |
-| int8_t | 将src按照roundMode取整，以int8_t格式（溢出默认按照饱和处理）存入dst中。示例：输入27- 0.5，CAST_RINT模式输出27- 1（溢出处理），CAST_FLOOR模式输出27- 1，CAST_CEIL模式输出27- 1（溢出处理），CAST_ROUND模式输出27- 1（溢出处理），CAST_TRUNC模式输出27- 1。 |
-| uint8_t | 将src按照roundMode取整，以uint8_t格式（溢出默认按照饱和处理）存入dst中。负数输入会被视为异常。示例：输入1.75，CAST_RINT模式输出2，CAST_FLOOR模式输出1，CAST_CEIL模式输出2，CAST_ROUND模式输出2，CAST_TRUNC模式输出1。 |
-| int4b_t | 将src按照roundMode取整，以int4b_t格式（溢出默认按照饱和处理）存入dst中。示例：输入1.5，CAST_RINT模式输出2，CAST_FLOOR模式输出1，CAST_CEIL模式输出2，CAST_ROUND模式输出2，CAST_TRUNC模式输出1。 |
-| bfloat16_t | float | 将src以float格式存入dst中，不存在精度转换问题，无舍入模式。示例：输入1.5 - 2-6，输出1.5 - 2-6。 |
-| int32_t | 将src按照roundMode取整，以int32_t格式（溢出默认按照饱和处理）存入dst中。示例：输入26+ 0.5CAST_RINT模式输出26，CAST_FLOOR模式输出26，CAST_CEIL模式输出26+ 1，CAST_ROUND模式输出26+ 1，CAST_TRUNC模式输出26。 |
-| uint8_t | half | 将src以half格式存入dst中，不存在精度转换问题，无舍入模式。示例：输入1，输出1.0。 |
-| int8_t | half | 将src以half格式存入dst中，不存在精度转换问题，无舍入模式。示例：输入-1，输出-1.0。 |
-| int16_t | half | 将src按照roundMode取到half所能表示的数，以half格式存入dst中。示例：输入212+ 2，写成half的表示形式：212* (1 + 2-11)，要求E = 12 + 15 = 27，M = 2-11：由于half只有10bit尾数位，因此灰色部分要进行舍入。CAST_RINT模式舍入得尾数0000000000，E = 27，M = 0，最终表示的结果为212；CAST_FLOOR模式舍入得尾数0000000000，E = 27，M = 0，最终表示的结果为212；CAST_CEIL模式舍入得尾数0000000001，E = 27，M = 2-10，最终表示的结果为212+ 4；CAST_ROUND模式舍入得尾数0000000001，E = 27，M = 2-10，最终表示的结果为212+ 4；CAST_TRUNC模式舍入得尾数0000000000，E = 27，M = 0，最终表示的结果为212。 |
-| float | 将src以float格式存入dst中，不存在精度转换问题，无舍入模式。示例：输入215- 1，输出215- 1。 |
-| int32_t | float | 将src按照roundMode取到float所能表示的数，以float格式存入dst中。示例：输入225+ 3，写成float的表示形式：225* (1 + 2-24+ 2-25)，要求E = 25 + 127 = 152， M = 2-24+ 2-25。由于float只有23bit尾数位，因此灰色部分要进行舍入。CAST_RINT模式舍入得尾数00000000000000000000001，E = 152，M = 2-23，最终表示的结果为225+ 4；CAST_FLOOR模式舍入得尾数00000000000000000000000，E = 152，M = 0，最终表示的结果为225；CAST_CEIL模式舍入得尾数00000000000000000000001，E = 152，M = 2-23，最终表示的结果为225+ 4；CAST_ROUND模式舍入得尾数00000000000000000000001，E = 152，M = 2-23，最终表示的结果为225+ 4；CAST_TRUNC模式舍入得尾数00000000000000000000000，E = 152，M = 0，最终表示的结果为225。 |
-| int64_t | 将src以int64_t格式存入dst中，不存在精度转换问题，无舍入模式。示例：输入231- 1，输出231- 1。 |
-| int16_t | 将src以int16_t格式（溢出默认按照饱和处理）存入dst中，不存在精度转换问题，无舍入模式。示例：输入231- 1，输出215- 1。 |
-| half | 与SetDeqScale(half scale)接口配合使用，输出src / 217* scale * 217。 |
-
-#### 函数原型
-
-- tensor前n个数据计算12template<typenameT,typenameU>__aicore__inlinevoidCast(constLocalTensor<T>&dst,constLocalTensor<U>&src,constRoundMode&roundMode,constuint32_tcount)
-- tensor高维切分计算mask逐bit模式12template<typenameT,typenameU,boolisSetMask=true>__aicore__inlinevoidCast(constLocalTensor<T>&dst,constLocalTensor<U>&src,constRoundMode&roundMode,constuint64_tmask[],constuint8_trepeatTime,constUnaryRepeatParams&repeatParams)mask连续模式12template<typenameT,typenameU,boolisSetMask=true>__aicore__inlinevoidCast(constLocalTensor<T>&dst,constLocalTensor<U>&src,constRoundMode&roundMode,constuint64_tmask,constuint8_trepeatTime,constUnaryRepeatParams&repeatParams)
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 目的操作数数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型见表7Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型见表6Atlas 200I/500 A2 推理产品，支持的数据类型见表8Atlas 推理系列产品AI Core，支持的数据类型见表5Atlas 训练系列产品，支持的数据类型见表4 |
-| U | 源操作数数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型见表7Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型见表6Atlas 200I/500 A2 推理产品，支持的数据类型见表8Atlas 推理系列产品AI Core，支持的数据类型见表5Atlas 训练系列产品，支持的数据类型见表4 |
-| isSetMask | 是否在接口内部设置mask。true，表示在接口内部设置mask。false，表示在接口外部设置mask，开发者需要使用SetVectorMask接口设置mask值。这种模式下，本接口入参中的mask值必须设置为占位符MASK_PLACEHOLDER。 |
-
-| 参数名 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。LocalTensor的起始地址需要32字节对齐。 |
-| src | 输入 | 源操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。LocalTensor的起始地址需要32字节对齐。 |
-| roundMode | 输入 | 精度转换处理模式，类型是RoundMode。RoundMode为枚举类型，用以控制精度转换处理模式，具体定义为：12345678910enumclassRoundMode{CAST_NONE=0,// 在转换有精度损失时表示CAST_RINT模式，不涉及精度损失时表示不舍入CAST_RINT,// rint，四舍六入五成双舍入CAST_FLOOR,// floor，向负无穷舍入CAST_CEIL,// ceil，向正无穷舍入CAST_ROUND,// round，四舍五入舍入CAST_TRUNC,// trunc，向零舍入CAST_ODD,// Von Neumann rounding，最近邻奇数舍入};对于Atlas 训练系列产品，CAST_ROUND表示反向0取整，远离0，对正数x.y变成(x + 1)，对负数-x.y，变成-(x + 1)。 | 12345678910 | enumclassRoundMode{CAST_NONE=0,// 在转换有精度损失时表示CAST_RINT模式，不涉及精度损失时表示不舍入CAST_RINT,// rint，四舍六入五成双舍入CAST_FLOOR,// floor，向负无穷舍入CAST_CEIL,// ceil，向正无穷舍入CAST_ROUND,// round，四舍五入舍入CAST_TRUNC,// trunc，向零舍入CAST_ODD,// Von Neumann rounding，最近邻奇数舍入}; |
-| 12345678910 | enumclassRoundMode{CAST_NONE=0,// 在转换有精度损失时表示CAST_RINT模式，不涉及精度损失时表示不舍入CAST_RINT,// rint，四舍六入五成双舍入CAST_FLOOR,// floor，向负无穷舍入CAST_CEIL,// ceil，向正无穷舍入CAST_ROUND,// round，四舍五入舍入CAST_TRUNC,// trunc，向零舍入CAST_ODD,// Von Neumann rounding，最近邻奇数舍入}; |
-| count | 输入 | 参与计算的元素个数。 |
-| mask/mask[] | 输入 | mask用于控制每次迭代内参与计算的元素。逐bit模式：可以按位控制哪些元素参与计算，bit位的值为1表示参与计算，0表示不参与。mask为数组形式，数组长度和数组元素的取值范围和操作数的数据类型有关。当操作数为16位时，数组长度为2，mask[0]、mask[1]∈[0, 264-1]并且不同时为0；当操作数为32位时，数组长度为1，mask[0]∈(0, 264-1]；当操作数为64位时，数组长度为1，mask[0]∈(0, 232-1]。例如，mask=[8, 0]，8=0b1000，表示仅第4个元素参与计算。连续模式：表示前面连续的多少个元素参与计算。取值范围和操作数的数据类型有关，数据类型不同，每次迭代内能够处理的元素个数最大值不同。当操作数为16位时，mask∈[1, 128]；当操作数为32位时，mask∈[1, 64]；当操作数为64位时，mask∈[1, 32]。 |
-| repeatTime | 输入 | 重复迭代次数。矢量计算单元，每次读取连续的256Bytes数据进行计算，为完成对输入数据的处理，必须通过多次迭代（repeat）才能完成所有数据的读取与计算。repeatTime表示迭代的次数，repeatTime∈[0,255]。关于该参数的具体描述请参考高维切分API。 |
-| repeatParams | 输入 | 控制操作数地址步长的参数，UnaryRepeatParams类型。包含操作数相邻迭代间的地址步长，操作数同一迭代内datablock的地址步长等参数。其中dstRepStride/srcRepStride∈[0,255]。相邻迭代间的地址步长参数说明请参考repeatStride；同一迭代内DataBlock的地址步长参数说明请参考dataBlockStride。 |
-
-| src数据类型 | dst数据类型 | 支持的roundMode |
-| --- | --- | --- |
-| half | float | CAST_NONE |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int8_t | CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| uint8_t | CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | half | CAST_NONE/CAST_ODD |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| uint8_t | half | CAST_NONE |
-| int8_t | half | CAST_NONE |
-| int32_t | float | CAST_NONE |
-
-| src数据类型 | dst数据类型 | 支持的roundMode |
-| --- | --- | --- |
-| half | int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT |
-| float | CAST_NONE |
-| int8_t | CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| uint8_t | CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| int4b_t | CAST_NONE |
-| float | int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| half | CAST_NONE/CAST_ODD |
-| uint8_t | half | CAST_NONE |
-| int8_t | half | CAST_NONE |
-| int16_t | half | CAST_NONE |
-| int32_t | float | CAST_NONE |
-| int16_t | CAST_NONE |
-| half | roundMode不生效，与SetDeqScale(half scale)接口配合使用。 |
-
-| src数据类型 | dst数据类型 | 支持的roundMode |
-| --- | --- | --- |
-| half | int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| float | CAST_NONE |
-| int8_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| uint8_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| int4b_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| half | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_ODD/CAST_NONE |
-| int64_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| float | bfloat16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| bfloat16_t | float | CAST_NONE |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int4b_t | half | CAST_NONE |
-| uint8_t | half | CAST_NONE |
-| int8_t | half | CAST_NONE |
-| int16_t | half | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | CAST_NONE |
-| int32_t | float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| int16_t | CAST_NONE |
-| half | roundMode不生效，与SetDeqScale(half scale)接口配合使用。 |
-| int64_t | CAST_NONE |
-| int64_t | int32_t | CAST_NONE |
-| float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-
-| src数据类型 | dst数据类型 | 支持的roundMode |
-| --- | --- | --- |
-| half | int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| float | CAST_NONE |
-| int8_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| uint8_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| int4b_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| half | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_ODD/CAST_NONE |
-| int64_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| float | bfloat16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| bfloat16_t | float | CAST_NONE |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int4b_t | half | CAST_NONE |
-| uint8_t | half | CAST_NONE |
-| int8_t | half | CAST_NONE |
-| int16_t | half | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | CAST_NONE |
-| int32_t | float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| int16_t | CAST_NONE |
-| half | roundMode不生效，与SetDeqScale(half scale)接口配合使用。 |
-| int64_t | CAST_NONE |
-| int64_t | int32_t | CAST_NONE |
-| float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-
-| src数据类型 | dst数据类型 | 支持的roundMode |
-| --- | --- | --- |
-| half | int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| float | CAST_NONE |
-| int8_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| uint8_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| half | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_ODD/CAST_NONE |
-| int64_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| int16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| float | bfloat16_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| bfloat16_t | float | CAST_NONE |
-| int32_t | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-| uint8_t | half | CAST_NONE |
-| int8_t | half | CAST_NONE |
-| int16_t | half | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| float | CAST_NONE |
-| int32_t | float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC/CAST_NONE |
-| int16_t | CAST_NONE |
-| half | CAST_NONE |
-| int64_t | CAST_NONE |
-| int64_t | int32_t | CAST_NONE |
-| float | CAST_RINT/CAST_FLOOR/CAST_CEIL/CAST_ROUND/CAST_TRUNC |
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 操作数地址对齐要求请参见通用地址对齐约束。
-- 操作数地址重叠约束请参考通用地址重叠约束。特别地，对于长度较小的数据类型转换为长度较大的数据类型时，地址重叠可能会导致结果错误。
-
-- 每个repeat能处理的数据量取决于数据精度、AI处理器型号，如float->half转换每次迭代操作64个源/目的元素。
-- 当源操作数和目的操作数位数不同时，计算输入参数以数据类型的字节较大的为准。例如，源操作数为half类型，目的操作数为int32_t类型时，为保证输出和输入是连续的，dstRepStride应设置为8，srcRepStride应设置为4。
-- 当dst或src为int4b_t时，由于一个int4b_t只占半个字节，故申请Tensor空间时，只需申请相同数量的int8_t数据空间的一半。host侧目前暂不支持int4b_t，故在申请int4b_t类型的tensor时，应先申请一个类型为int8_t的tensor，再用Reinterpretcast转化为int4b_t并调用Cast指令，详见调用示例。
-- 当dst或src为int4b_t时，tensor高维切分计算接口的连续模式的mask与tensor前n个数据计算接口的count必须为偶数；对于tensor高维切分计算接口的逐bit模式，对应同一字节的相邻两个比特位的数值必须一致，即0-1位数值一致，2-3位数值一致，4-5位数值一致，以此类推。
-
-#### 调用示例
-
-本样例中只展示Compute流程中的部分代码。本样例的srcLocal为half类型，dstLocal为int32_t类型，计算mask时以int32_t为准。
-
-如果您需要运行样例代码，请将该代码段拷贝并替换样例模板中Compute函数的部分代码即可。
-
-- tensor高维切分计算样例-mask连续模式12345uint64_tmask=256/sizeof(int32_t);// repeatTime = 8, 64 elements one repeat, 512 elements total// dstBlkStride, srcBlkStride = 1, no gap between blocks in one repeat// dstRepStride = 8, srcRepStride = 4, no gap between repeatsAscendC::Cast(dstLocal,srcLocal,AscendC::RoundMode::CAST_CEIL,mask,8,{1,1,8,4});
-- tensor高维切分计算样例-mask逐bit模式12345uint64_tmask[2]={0,UINT64_MAX};// repeatTime = 8, 64 elements one repeat, 512 elements total// dstBlkStride, srcBlkStride = 1, no gap between blocks in one repeat// dstRepStride = 8, srcRepStride = 4, no gap between repeatsAscendC::Cast(dstLocal,srcLocal,AscendC::RoundMode::CAST_CEIL,mask,8,{1,1,8,4});
-- tensor前n个数据计算样例1AscendC::Cast(dstLocal,srcLocal,AscendC::RoundMode::CAST_CEIL,512);
-
-结果示例如下：
-
-- 当Cast涉及int4b_t时，调用示例如下：dstLocal为int8_t类型，srcLocal为half类型123456789101112inBufferSize_=srcSize;// src buffer sizeoutBufferSize_=srcSize/2;//dst buffer sizeuint64_tmask=128;AscendC::LocalTensor<half>srcLocal;srcLocal.SetSize(inBufferSize_);AscendC::LocalTensor<int8_t>dstLocal;dstLocal.SetSize(outBufferSize_);AscendC::LocalTensor<AscendC::int4b_t>dstLocalTmp=dstLocal.ReinterpretCast<AscendC::int4b_t>();// repeatTime = 1, 128 elements one repeat, 128 elements total// dstBlkStride, srcBlkStride = 1, no gap between blocks in one repeat// dstRepStride = 2, srcRepStride = 8, no gap between repeatsAscendC::Cast<AscendC::int4b_t,half>(dstLocalTmp,srcLocal,AscendC::RoundMode::CAST_CEIL,mask,1,{1,1,2,8});
-
-#### 样例模板
-
-| 1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253 | #include"kernel_operator.h"classKernelCast{public:__aicore__inlineKernelCast(){}__aicore__inlinevoidInit(__gm__uint8_t*srcGm,__gm__uint8_t*dstGm){srcGlobal.SetGlobalBuffer((__gm__half*)srcGm);dstGlobal.SetGlobalBuffer((__gm__int32_t*)dstGm);pipe.InitBuffer(inQueueSrc,1,512*sizeof(half));pipe.InitBuffer(outQueueDst,1,512*sizeof(int32_t));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<half>srcLocal=inQueueSrc.AllocTensor<half>();AscendC::DataCopy(srcLocal,srcGlobal,512);inQueueSrc.EnQue(srcLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<half>srcLocal=inQueueSrc.DeQue<half>();AscendC::LocalTensor<int32_t>dstLocal=outQueueDst.AllocTensor<int32_t>();AscendC::Cast(dstLocal,srcLocal,AscendC::RoundMode::CAST_CEIL,512);outQueueDst.EnQue<int32_t>(dstLocal);inQueueSrc.FreeTensor(srcLocal);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<int32_t>dstLocal=outQueueDst.DeQue<int32_t>();AscendC::DataCopy(dstGlobal,dstLocal,512);outQueueDst.FreeTensor(dstLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrc;AscendC::TQue<AscendC::TPosition::VECOUT,1>outQueueDst;AscendC::GlobalTensor<half>srcGlobal;AscendC::GlobalTensor<int32_t>dstGlobal;};extern"C"__global____aicore__voidcast_simple_kernel(__gm__uint8_t*srcGm,__gm__uint8_t*dstGm){KernelCastop;op.Init(srcGm,dstGm);op.Process();} |
-| --- | --- |
-
-#### 更多样例
-
-更多地，您可以参考以下样例，了解如何使用Cast指令的tensor高维切分计算接口，进行更灵活的操作、实现更高级的功能。
-
-- 通过tensor高维切分计算接口中的mask连续模式，实现数据非连续计算。12uint64_tmask=32;// 每个迭代内只计算前32个数AscendC::Cast(dstLocal,srcLocal,AscendC::RoundMode::CAST_CEIL,mask,8,{1,1,8,4});结果示例如下：输入数据(srcLocal): 
-[37.4     7.11   53.5    19.44   22.66   43.     43.16    5.316  74.2
- 15.7    87.75   86.94   92.56   25.45   36.06   94.6    73.6    30.48
- 48.16   12.55   27.81   14.67    6.58   48.38   67.5    57.5    63.3
- 85.2     3.654  68.7    52.53   16.38   13.945  63.84   87.2    82.5
- 85.7    27.78   15.41   41.66   31.38   14.65   88.25    0.0332 43.06
- 46.88   15.57   87.1    53.16   33.5    91.06   36.5    55.34   60.53
-  3.238  23.92   97.5    91.1    78.44   54.47   82.     53.8    72.1
- 25.06   32.12   15.88   33.38   36.7    33.3    84.4    19.25    1.743
- 46.16   22.06    4.582  71.1    15.94   22.23   53.47   17.05   48.56
- 94.44   77.4    90.2    46.56   92.4     9.45   68.44   35.7    31.62
- 68.1    63.7    77.     92.06   20.45   27.67   93.4    22.39   17.22
- 73.06    7.12   25.34   36.34   13.54   38.12   24.56   86.56   69.7
- 68.3    30.38   68.4    86.1    54.44   70.     55.3    48.6    59.03
- 64.44   15.45   66.5    92.7    60.7    52.22   47.     99.75   41.94
- 43.06   89.5    36.9    62.5     1.306  48.06    9.37   62.25   20.61
- 43.8    69.25   27.22   71.44   52.75   11.82   80.6    63.44   53.22
- 85.44   25.25    2.309  26.88   84.5    29.83    9.93   81.9    97.75
- 75.75   97.7    72.     19.86   26.62   88.7    74.06    9.24   42.5
- 14.     39.44   98.56   66.94   89.     57.12   39.     11.57   19.05
- 86.56   32.66   19.25   99.3    95.6    58.7    79.6    37.38   65.
- 75.7     8.586  77.7     2.68   75.7    77.56   39.1    39.72   64.06
- 98.44   30.27   31.9    94.4    85.94    4.965   2.758  92.4    49.53
- 50.75    5.7    19.69   87.6    20.08   88.8    87.4    63.6    68.3
- 78.9    45.66   10.01   35.25   71.9    37.38   39.7    43.47   11.67
- 64.3    35.62   74.3    59.3    28.69   29.56   23.14   36.22    4.88
- 70.5    25.05   72.6    71.6    32.28   34.66   80.     96.1    98.7
- 12.91   95.4    61.97   87.94   19.1    40.47   89.6    84.     29.72
- 17.8    81.44   23.25   33.03   18.67   78.     49.62   63.1    72.75
- 77.25    3.74   38.9    17.92   76.     25.62   34.53   84.     32.03
- 57.3     9.21    6.836  68.9    35.78   96.75   56.3    96.1    23.45
- 78.75   94.25   12.44   56.7    24.55   25.11   90.7    50.94   78.4
-  3.576  21.81   53.28   26.2    43.1     7.742  13.4    86.44   86.9
- 13.93   16.48   91.06   42.3    95.5    66.8    40.6    98.06   71.9
- 67.6    55.9    82.44   93.75   41.53   23.62   40.12   40.53   80.7
- 80.25   96.3    51.38   93.6    91.3    32.84   88.     69.7    63.16
- 41.75   43.22   43.22   31.73   84.9    91.6    80.     53.34   27.12
- 76.6    97.25   44.5    30.28   74.3    76.06   40.     41.28   37.72
- 99.56   18.73   16.45   92.75   79.1    40.3    68.     23.98   88.7
- 86.6    24.97   59.6    28.25   82.94   46.12   60.12   34.53   79.7
- 11.086  20.25   44.88   39.97   42.12   62.7    30.66   42.56   16.69
- 85.2    90.8    78.75   26.16   18.14   94.06   40.3    20.16   38.
- 12.99   95.44   76.25   26.03   76.     30.06   27.25   84.56   30.45
- 66.1    83.25    3.732  39.1    54.22   82.8    43.22   53.03   11.66
- 88.1     6.83   66.8    44.4     7.5    24.77   74.4    35.9    79.75
- 41.62   37.06   60.12   57.9    96.94   84.25   39.88   22.55   72.7
- 58.9    44.75   90.4    46.34   71.3    16.4    26.12   21.45   10.27
- 91.     41.53   39.03   80.25    2.11    7.88   72.2    27.83   88.1
- 67.56   10.72   52.84   91.2    97.6    51.44   74.7     3.527  79.25
- 11.3    19.16   39.53    3.469  98.7    45.72   40.16   47.1    71.8
- 11.81   52.97   71.44   37.7    26.81   46.22   26.94    4.805  12.18
- 70.4    51.4    24.2    83.9     9.62   12.445  57.6    85.8    55.12
- 88.25   32.38   62.88    1.903  47.72   35.9    48.94   86.06   32.44
-  1.219  35.56   49.78   49.97   24.45   94.5    99.94   44.72    3.404
- 83.6    23.14   76.7    91.7    24.33   20.62   24.72    4.55   88.94
- 87.44   95.75   41.56   13.77   34.6    95.94   77.1    24.28   70.06
- 10.06   11.38   88.8    57.22   94.56   35.     79.8    58.22   44.06
- 26.9    16.25   99.94   51.1    42.38   84.25    0.9604 48.1   ]
-
-输出数据(dstLocal): 
-[        38          8         54         20         23         43
-         44          6         75         16         88         87
-         93         26         37         95         74         31
-         49         13         28         15          7         49
-         68         58         64         86          4         69
-         53         17 1879993057 1827499998 1823960025 1570990114
- 1828150463 1811639312 1794470101 1754296176 1888841335 1715628997
- 1839753994 1850888497 1889364175 1891068936 1823369913 1769105534
- 1815638091 1808559970 1601662785 1739089473 1863146361 1694785989
- 1597138938 1836478181 1888774249 1637707434 1877372650 1796304934
- 1887530885 1839295471 1707240971 1873242695         33         16
-         34         37         34         85         20          2
-         47         23          5         72         16         23
-         54         18         49         95         78         91
-         47         93         10         69         36         32
-         69         64         77         93         21         28
- 1753837732 1488743807 1711632378 1799581711 1818783215 1891790695
- 1837723802 1752132873 1727950918 1760390205 1866887130 1824876865
- 1807839436 1890544910 1889755550 1787129270 1502702106 1841065201
- 1820156583 1779396288 1760521448 1844604520 1831039103 1843491014
- 1891199259 1839493317 1801349958 1577807434 1811377215 1879404734
- 1826057367 1837853054         37         63          2         49
-         10         63         21         44         70         28
-         72         53         12         81         64         54
-         86         26          3         27         85         30
-         10         82         98         76         98         72
-         20         27         89         75 1890086927 1826517134
- 1814783944 1824156809 1875733079 1842114682 1845456975 1830120794
- 1787980861 1807380585 1535469972 1883860884 1889167601 1747872128
- 1888317235 1720937006 1836806331 1654152236 1695309475 1892773593
- 1840737395 1868392748 1833724316 1600153936 1869310159 1883467778
- 1892641857 1776248953 1833201514 1886743848 1745972258 1860657622
-         95         86          5          3         93         50
-         51          6         20         88         21         89
-         88         64         69         79         46         11
-         36         72         38         40         44         12
-         65         36         75         60         29         30
-         24         37 1733652589 1756325317 1685744372 1780772214
- 1660252348 1629973784 1847815925 1828941229 1683778661 1519480967
- 1762160488 1844801381 1832742021 1891724641 1761701480 1695312651
- 1429433841 1774275423 1828349211 1779786303 1835953259 1784896595
- 1858432988 1413442268 1893363867 1886679050 1872588913 1473866635
- 1793158916 1762946052 1719627087 1893231666         76         26
-         35         84         33         58         10          7
-         69         36         97         57         97         24
-         79         95         13         57         25         26
-         91         51         79          4         22         54
-         27         44          8         14         87         87
- 1208960410 1208567888 1215973275 1214859418 1210992732 1208305714
- 1165379704 1215252623 1197033625 1212172318 1217415148 1211058280
- 1206798479 1215645776 1209223143 1217611809 1212500082 1215383615
- 1208567769 1200179260 1216694386 1218070398 1195526187 1211516213
- 1213089850 1213941743 1216825148 1212565573 1216694248 1217546087
- 1200178778 1215973524         92         80         54         28
-         77         98         45         31         75         77
-         40         42         38        100         19         17
-         93         80         41         68         24         89
-         87         25         60         29         83         47
-         61         35         80         12 1189759014 1218070662
- 1211057953 1216825400 1215121414 1214596952 1216169420 1210075102
- 1209157633 1213941279 1195984973 1211648118 1201686666 1212041360
- 1216103688 1212500024 1173112887 1194608648 1216825427 1209747582
- 1207191587 1214859224 1203980407 1215711379 1213155353 1203259396
- 1214859350 1211779156 1217218713 1202473003 1216628529 1196771437
-         44         54         12         89          7         67
-         45          8         25         75         36         80
-         42         38         61         58         97         85
-         40         23         73         59         45         91
-         47         72         17         27         22         11
-         91         42 1211516990 1198213215 1203848735 1217349746
- 1212303398 1217808150 1215514752 1209878647 1214138433 1215711277
- 1212041273 1215383541 1214728294 1197754500 1169574019 1208371214
- 1214269569 1216301092 1216563283 1213548677 1217873970 1203128459
- 1209812695 1218136029 1194805359 1204439186 1218005120 1213941626
- 1217153046 1208109091 1215055928 1215318166          5         13
-         71         52         25         84         10         13
-         58         86         56         89         33         63
-          2         48         36         49         87         33
-          2         36         50         50         25         95
-        100         45          4         84         24         77
- 1202210969 1213679767 1209288847 1217480263 1184319410 1214072674
- 1188382819 1217283870 1200769107 1217939416 1199327294 1213351841
- 1206667407 1217153163 1215580283 1214138474 1206798167 1194477696
- 1193690499 1214072706 1216825421 1216693888 1217611496 1198540949
- 1199654414 1206405188 1214203847 1165183076 1213745302 1208830102
- 1209944118 1215121459]

package/resources/kop-2026-10-23-0.1.17-beta.1/product_capabilities/kernel_optflow/skills/KernelWiki-private/wiki/ascend/api-definitions/ascendc/pages/atlasascendc_api_07_0075.md

@@ -1,154 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0075
-title: "AscendC ReduceMax"
-type: api-definition
-vendor: ascend
-func_name: "ReduceMax"
-namespace: ascendc
-header: kernel_operator.h
-signature: "see body"
-source:
-- path: "https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0075.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- vector-unit
-- reduction
-confidence: source-reported
-evidence_level: spec
----
-# ReduceMax-归约计算-矢量计算-基础API-Ascend C算子开发接口-API-CANN社区版8.5.0开发文档-昇腾社区
-**页面ID:** atlasascendc_api_07_0075
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0075.html
----
-
-# ReduceMax
-
-#### 产品支持情况
-
-| 产品 | 是否支持 |
-| --- | --- |
-| 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AI Core | √ |
-| Atlas 推理系列产品Vector Core | x |
-| Atlas 训练系列产品 | √ |
-
-#### 功能说明
-
-在所有的输入数据中找出最大值及最大值对应的索引位置。归约指令的总体介绍请参考如何使用归约计算API。
-
-#### 函数原型
-
-- tensor前n个数据计算12template<typenameT>__aicore__inlinevoidReduceMax(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<T>&sharedTmpBuffer,constint32_tcount,boolcalIndex=0)
-- tensor高维切分计算mask逐bit模式12template<typenameT>__aicore__inlinevoidReduceMax(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<T>&sharedTmpBuffer,constuint64_tmask[],constint32_trepeatTime,constint32_tsrcRepStride,boolcalIndex=0)mask连续模式12template<typenameT>__aicore__inlinevoidReduceMax(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<T>&sharedTmpBuffer,constint32_tmask,constint32_trepeatTime,constint32_tsrcRepStride,boolcalIndex=0)
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 操作数数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：half/floatAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half/floatAtlas 200I/500 A2 推理产品，支持的数据类型为：half/floatAtlas 推理系列产品AI Core，支持的数据类型为：half/floatAtlas 训练系列产品，支持的数据类型为：half |
-
-| 参数名称 | 输入/输出 | 含义 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。LocalTensor的起始地址需要保证4字节对齐（针对half数据类型），8字节对齐（针对float数据类型）。 |
-| src | 输入 | 源操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。LocalTensor的起始地址需要32字节对齐。源操作数的数据类型需要与目的操作数保持一致。 |
-| sharedTmpBuffer | 输入 | API执行期间，部分硬件型号需要一块空间用于存储中间结果，空间大小需要满足最小所需空间的要求，具体计算方法可参考下文ReduceMax计算示意图中的介绍。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。LocalTensor的起始地址需要32字节对齐。数据类型需要与目的操作数保持一致。Atlas A3 训练系列产品/Atlas A3 推理系列产品，需要使用sharedTmpBuffer。Atlas A2 训练系列产品/Atlas A2 推理系列产品，需要使用sharedTmpBuffer。Atlas 200I/500 A2 推理产品，需要使用sharedTmpBuffer。Atlas 推理系列产品AI Core，需要使用sharedTmpBufferAtlas 训练系列产品，需要使用sharedTmpBuffer。 |
-| count | 输入 | 参与计算的元素个数。参数取值范围和操作数的数据类型有关，数据类型不同，能够处理的元素个数最大值不同，最大处理的数据量不能超过UB大小限制。 |
-| calIndex | 输入 | 指定是否获取最大值的索引，bool类型，默认值为false，取值：true：同时获取最大值和最大值索引。false：不获取索引，只获取最大值。 |
-| mask/mask[] | 输入 | mask用于控制每次迭代内参与计算的元素。逐bit模式：可以按位控制哪些元素参与计算，bit位的值为1表示参与计算，0表示不参与。mask为数组形式，数组长度和数组元素的取值范围和操作数的数据类型有关。当操作数为16位时，数组长度为2，mask[0]、mask[1]∈[0, 264-1]并且不同时为0；当操作数为32位时，数组长度为1，mask[0]∈(0, 264-1]；当操作数为64位时，数组长度为1，mask[0]∈(0, 232-1]。例如，mask=[8, 0]，8=0b1000，表示仅第4个元素参与计算。连续模式：表示前面连续的多少个元素参与计算。取值范围和操作数的数据类型有关，数据类型不同，每次迭代内能够处理的元素个数最大值不同。当操作数为16位时，mask∈[1, 128]；当操作数为32位时，mask∈[1, 64]；当操作数为64位时，mask∈[1, 32]。 |
-| repeatTime | 输入 | 迭代次数。与通用参数说明中不同的是，支持更大的取值范围，保证不超过int32_t最大值的范围即可。 |
-| srcRepStride | 输入 | 源操作数相邻迭代间的地址步长，即源操作数每次迭代跳过的datablock数目。详细说明请参考repeatStride。 |
-
-ReduceMax计算过程如ReduceMax计算示意图所示：先在每个repeat迭代中获取最大值及索引，作为中间结果存储在sharedTmpBuffer工作区中，然后在中间结果中再按照repeat迭代求最大值，以此类推，逐步求出最终的最大值和索引放在目的操作数中。需要注意的是，每次repeat迭代获取的最值索引是repeat内部索引，返回最终结果时，需要根据迭代位置和内部索引推导全量数据内的索引。
-
-![](../images/atlasascendc_api_07_0076_img_001.png)
-
-数据量较大时通过一轮归约无法得出最终结果，需要进行多轮计算，同理，每次repeat迭代获取的最值索引是repeat内部索引，返回最终结果时，需要根据迭代位置和内部索引推导全量数据内的索引。
-
-![](../images/atlasascendc_api_07_0076_img_002.png)
-
-sharedTmpBuffer空间需要开发者申请并传入，根据是否需要获取索引，sharedTmpBuffer空间计算方式不同：需要返回索引的情况下，需要把每轮计算所需的空间进行累加，同时每轮计算的空间都要考虑UB空间32字节对齐的要求；无需返回索引的情况下，只需要提供第一轮计算所需的空间并满足32字节对齐要求即可，后续的轮次可以直接使用这块空间，此时不需要推导索引的过程，所以之前轮次的中间数据可以直接覆盖。计算最小所需空间的算法如下：
-
-- 无需返回最大值索引1234intfirstMaxRepeat=repeatTime;// 对于tensor高维切分计算接口，firstMaxRepeat就是repeatTime；对于tensor前n个数据计算接口，firstMaxRepeat为count/elementsPerRepeatintiter1OutputCount=firstMaxRepeat*2;// 第一轮操作产生的元素个数，无论开发者是否需要返回索引，底层指令都会返回索引，所以这里要为索引预留空间，产生的元素个数为repeat次数*2intiter1AlignEnd=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock;// 第一轮产生的元素个数按照datablock(32字节)向上对齐intfinalWorkLocalNeedSize=iter1AlignEnd;// 第一轮计算完成后，后续可能还需要多轮迭代，但是可以复用同一块空间，所以第一轮计算所需的空间就是最终sharedTmpBuffer所需的空间大小
-- 需要返回最大值索引123456789intfirstMaxRepeat=repeatTime;// 对于tensor高维切分计算接口，firstMaxRepeat就是repeatTime；对于tensor前n个数据计算接口，firstMaxRepeat为count/elementsPerRepeatintiter1OutputCount=firstMaxRepeat*2;// 第一轮操作产生的元素个数intiter2AlignStart=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock;// 第二轮操作起始位置偏移，即第一轮产生的元素个数按照datablock(32字节)向上对齐的结果// 第一轮计算完成后，后续可能还需要多轮迭代，此时不可以复用同一块空间，因为第一轮的中间结果索引还需要再进行使用，所以需要继续准备第二轮和第三轮的空间intiter2OutputCount=RoundUp(iter1OutputCount,elementsPerRepeat)*2;// 第二轮操作产生的元素个数intiter3AlignStart=RoundUp(iter2OutputCount,elementsPerBlock)*elementsPerBlock;// 第三轮操作起始位置偏移，即第二轮产生的元素个数按照datablock(32字节)向上对齐的结果intiter3OutputCount=RoundUp(iter2OutputCount,elementsPerRepeat)*2;// 第三轮操作产生的元素个数intiter3AlignEnd=RoundUp(iter3OutputCount,elementsPerBlock)*elementsPerBlock;// 第三轮产生的元素个数按照datablock(32字节)向上对齐的结果intfinalWorkLocalNeedSize=iter2AlignStart+iter3AlignStart+iter3AlignEnd;// 最终sharedTmpBuffer所需的空间大小
-
-以上计算出来的最终的空间大小单位是元素个数，若转成Bytes数表示为finalWorkLocalNeedSize * typeSize (Bytes)，具体计算示例请参考调用示例中sharedTmpBuffer空间计算示例。
-
-![](../images/atlasascendc_api_07_10005_img_003.png)
-
-开发者为了节省地址空间，可以选择sharedTmpBuffer空间复用源操作数的空间。此时因为sharedTmpBuffer需要的最小空间一定小于源操作数的空间，所以无需关注和计算最小空间。
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 操作数地址对齐要求请参见通用地址对齐约束。
-- 操作数地址重叠约束请参考通用地址重叠约束。需要使用sharedTmpBuffer的情况下，支持dst与sharedTmpBuffer地址重叠（通常情况下dst比sharedTmpBuffer所需的空间要小），此时sharedTmpBuffer必须满足最小所需空间要求，否则不支持地址重叠。
-
-- dst结果存储顺序为最大值，最大值索引，若不需要索引，只会存储最大值。返回结果中索引index数据是按照dst的数据类型进行存储的，比如dst使用half类型时，index按照half类型进行存储，如果按照half格式进行读取，index的值是不对的，因此index的读取需要使用reinterpret_cast方法转换到整数类型。若输入数据类型是half，需要使用reinterpret_cast<uint16_t*>，若输入是float，需要使用reinterpret_cast<uint32_t*>，比如tensor高维切分计算接口完整示例中，输入数据是half类型，计算结果为[0.9985, 6.8e-06]，6.8e-06需要使用reinterpret_cast<uint16_t*>方法转换得到索引值114。转换示例如下：12floatmaxIndex=dst.GetValue(1);uint32_trealIndex=*reinterpret_cast<uint32_t*>(&maxIndex);
-- 返回最大值索引时，如果存在多个最大值，返回第一个最大值的索引。
-- 当输入类型是half的时候，只支持获取最大不超过65535（uint16_t能表示的最大值）的索引值。
-
-#### 调用示例
-
-- tensor高维切分计算样例-mask连续模式123// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量为8320,并且连续排布，需要索引值，使用tensor高维切分计算接口，设定repeatTime为65，mask为全部元素参与计算int32_tmask=128;AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,mask,65,8,true);
-- tensor高维切分计算样例-mask逐bit模式123// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量为8320,并且连续排布，需要索引值，使用tensor高维切分计算接口，设定repeatTime为65,mask为全部元素参与计算uint64_tmask[2]={0xFFFFFFFFFFFFFFFF,0xFFFFFFFFFFFFFFFF};AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,mask,65,8,true);
-- tensor前n个数据计算样例12// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量为8320,并且连续排布，需要索引值，使用tensor前n个数据计算接口AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,8320,true);
-
-- sharedTmpBuffer空间计算示例123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293// ReduceMax接口sharedTmpBuffer计算示例一:// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量为8320, 使用tensor高维切分计算接口, repeatTime为65, mask为128,需要索引值// tensor高维切分计算接口调用示例为:AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,128,65,8,true);// 此时sharedTmpBuffer所需的最小空间计算过程为:intRoundUp(inta,intb){return(a+b-1)/b;}inttypeSize=2;intelementsPerBlock=32/typeSize=16;intelementsPerRepeat=256/typeSize=128;intfirstMaxRepeat=repeatTime;intiter1OutputCount=firstMaxRepeat*2=130;// 第一轮操作产生的元素个数intiter2AlignStart=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock=144;// 对第一轮操作输出个数向上取整intiter2OutputCount=RoundUp(iter1OutputCount,elementsPerRepeat)*2=4;// 第二轮操作产生的元素个数intiter3AlignStart=RoundUp(iter2OutputCount,elementsPerBlock)*elementsPerBlock=16;// 对第二轮操作输出个数向上取整intiter3OutputCount=RoundUp(iter2OutputCount,elementsPerRepeat)*2=2;// 第三轮操作产生的元素个数intiter3AlignEnd=RoundUp(iter3OutputCount,elementsPerBlock)*elementsPerBlock=16;// 第三轮产生的元素个数做向上取整// 最终sharedTmpBuffer所需的最小空间为 iter2AlignStart + iter3AlignStart + iter3AlignEnd = 144 + 16 + 16 = 176 ,也就是352Bytes// ReduceMax接口sharedTmpBuffer计算示例二:// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量为32640, 使用tensor高维切分计算接口,repeatTime为255, mask为128,需要索引值// tensor高维切分计算接口调用示例为:AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,128,255,8,true);// 此时sharedTmpBuffer所需的最小空间计算过程为:inttypeSize=2;intelementsPerBlock=32/typeSize=16;intelementsPerRepeat=256/typeSize=128;intfirstMaxRepeat=repeatTime;intiter1OutputCount=firstMaxRepeat*2=510;// 第一轮操作产生的元素个数intiter2AlignStart=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock=512;// 对第一轮操作输出个数向上取整intiter2OutputCount=RoundUp(iter1OutputCount,elementsPerRepeat)*2=8;// 第二轮操作产生的元素个数intiter3AlignStart=RoundUp(iter2OutputCount,elementsPerBlock)*elementsPerBlock=16;// 对第二轮操作输出个数向上取整intiter3OutputCount=RoundUp(iter2OutputCount,elementsPerRepeat)*2=2;// 第三轮操作产生的元素个数intiter3AlignEnd=RoundUp(iter3OutputCount,elementsPerBlock)*elementsPerBlock=16;// 第三轮产生的元素个数做向上取整// 需要的空间为 iter2AlignStart + iter3AlignStart + iter3AlignEnd = 512 + 16 + 16 = 544 ,也就是1088Bytes// ReduceMax接口sharedTmpBuffer计算示例三:// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量为65408,使用tensor前n个数据计算接口,count=65408,需要索引值// tensor前n个数据计算接口调用示例为:AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,65408,true);// 此时sharedTmpBuffer所需的最小空间计算过程为:inttypeSize=2;intelementsPerBlock=32/typeSize=16;intelementsPerRepeat=256/typeSize=128;intfirstMaxRepeat=count/elementsPerRepeat=511;intiter1OutputCount=firstMaxRepeat*2=1022;// 第一轮操作产生的元素个数intiter2AlignStart=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock=1024;// 对iter1OutputCount输出个数向上取整intiter2OutputCount=RoundUp(iter1OutputCount,elementsPerRepeat)*2=16;// 第二轮操作产生的元素个数intiter3AlignStart=RoundUp(iter2OutputCount,elementsPerBlock)*elementsPerBlock=16;// 对iter2OutputCount输出个数向上取整intiter3OutputCount=RoundUp(iter2OutputCount,elementsPerRepeat)*2=2;// 第三轮操作产生的元素个数intiter3AlignEnd=RoundUp(iter3OutputCount,elementsPerBlock)*elementsPerBlock=16;// 第三轮产生的元素个数做向上取整// 需要的空间为 iter2AlignStart + iter3AlignStart + iter3AlignEnd = 1024 + 16 + 16 = 1056,也就是2112Bytes// ReduceMax接口sharedTmpBuffer计算示例四:// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的的计算数据量为512,使用tensor高维切分计算接口,repeatTime为4, mask为128,需要索引值// tensor高维切分计算接口调用示例为:AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,128,4,8,true);// 此时sharedTmpBuffer所需的最小空间计算过程为:inttypeSize=2;intelementsPerBlock=32/typeSize=16;intelementsPerRepeat=256/typeSize=128;intfirstMaxRepeat=repeatTime;intiter1OutputCount=firstMaxRepeat*2=8;// 第一轮操作产生的元素个数intiter2AlignStart=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock=16;// 对iter1OutputCount输出个数向上取整intiter2OutputCount=RoundUp(iter1OutputCount,elementsPerRepeat)*2=2;// 第二轮操作产生的元素个数// 本用例中，由于第二轮操作产生的元素个数为2，即第二轮结束就可以拿到最大值和其索引值，因此需要的空间为iter2AlignStart + RoundUp(iter2OutputCount, elementsPerBlock) * elementsPerBlock = 16 + 16 = 32，也就是64Bytes// ReduceMax接口sharedTmpBuffer计算示例五:// dstLocal,srcLocal和sharedTmpBuffer均为half类型,srcLocal的计算数据量count为65408,使用tensor前n个数据计算接口,count=65408，不需要索引值// tensor前n个数据计算接口调用示例为:AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,65408,false);// 此时sharedTmpBuffer所需的最小空间计算过程为:inttypeSize=2;intelementsPerBlock=32/typeSize=16;intelementsPerRepeat=256/typeSize=128;intfirstMaxRepeat=count/elementsPerRepeat=511;intiter1OutputCount=firstMaxRepeat*2=1022;// 第一轮操作产生的元素个数intiter1AlignEnd=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock=1024;// 第一轮产生的元素个数做向上取整// 由于calIndex为false,因此最终sharedTmpBuffer所需的最小空间大小就是对第一轮产生元素做向上取整后的结果，此处就是1024，也就是2048Bytes// ReduceMax接口sharedTmpBuffer计算示例六:// dstLocal,srcLocal和sharedTmpBuffer均为float类型,srcLocal的计算数据量为8320, 使用tensor高维切分计算接口, repeatTime为130, mask为64,需要索引值// tensor高维切分计算接口调用示例为:AscendC::ReduceMax<float>(dstLocal,srcLocal,sharedTmpBuffer,64,130,8,true);// 此时sharedTmpBuffer所需的最小空间计算过程为:inttypeSize=4;intelementsPerBlock=32/typeSize=8;intelementsPerRepeat=256/typeSize=64;intfirstMaxRepeat=repeatTime;intiter1OutputCount=firstMaxRepeat*2=260;// 第一轮操作产生的元素个数intiter2AlignStart=RoundUp(iter1OutputCount,elementsPerBlock)*elementsPerBlock=264;// 对第一轮操作输出个数向上取整intiter2OutputCount=RoundUp(iter1OutputCount,elementsPerRepeat)*2=10;// 第二轮操作产生的元素个数intiter3AlignStart=RoundUp(iter2OutputCount,elementsPerBlock)*elementsPerBlock=16;// 对第二轮操作输出个数向上取整intiter3OutputCount=RoundUp(iter2OutputCount,elementsPerRepeat)*2=2;// 第三轮操作产生的元素个数intiter3AlignEnd=RoundUp(iter3OutputCount,elementsPerBlock)*elementsPerBlock=8;// 第三轮产生的元素个数做向上取整// 最终sharedTmpBuffer所需的最小空间就是 iter2AlignStart + iter3AlignStart + iter3AlignEnd = 264 + 16 + 8 = 288,也就是1152Bytes
-- tensor高维切分计算接口完整示例:123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960#include"kernel_operator.h"classKernelReduce{public:__aicore__inlineKernelReduce(){}__aicore__inlinevoidInit(__gm__uint8_t*src,__gm__uint8_t*dstGm){srcGlobal.SetGlobalBuffer((__gm__half*)src);dstGlobal.SetGlobalBuffer((__gm__half*)dstGm);repeat=srcDataSize/mask;pipe.InitBuffer(inQueueSrc,1,srcDataSize*sizeof(half));pipe.InitBuffer(workQueue,1,32*sizeof(half));// 此处按照公式计算所需的最小work空间为32，也就是64Bytespipe.InitBuffer(outQueueDst,1,dstDataSize*sizeof(half));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<half>srcLocal=inQueueSrc.AllocTensor<half>();AscendC::DataCopy(srcLocal,srcGlobal,srcDataSize);inQueueSrc.EnQue(srcLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<half>srcLocal=inQueueSrc.DeQue<half>();AscendC::LocalTensor<half>dstLocal=outQueueDst.AllocTensor<half>();AscendC::LocalTensor<half>sharedTmpBuffer=workQueue.AllocTensor<half>();AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,mask,repeat,repStride,true);outQueueDst.EnQue<half>(dstLocal);inQueueSrc.FreeTensor(srcLocal);workQueue.FreeTensor(sharedTmpBuffer);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<half>dstLocal=outQueueDst.DeQue<half>();AscendC::DataCopy(dstGlobal,dstLocal,srcDataSize);outQueueDst.FreeTensor(dstLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrc;AscendC::TQue<AscendC::TPosition::VECOUT,1>workQueue;AscendC::TQue<AscendC::TPosition::VECOUT,1>outQueueDst;AscendC::GlobalTensor<half>srcGlobal,dstGlobal;intsrcDataSize=512;intdstDataSize=512;intmask=128;intrepStride=8;intrepeat=0;};extern"C"__global____aicore__voidkernel_ReduceMax_lv0_half_512(__gm__uint8_t*src,__gm__uint8_t*dstGm){KernelReduceop;op.Init(src,dstGm);op.Process();}示例结果如下：示例结果 输入数据(src_gm):
-[0.4795   0.951    0.866    0.008545 0.8037   0.551    0.754    0.73     0.6035   0.251    0.4841   0.05914  0.9414   0.379    0.664    0.6914   0.9307   0.3853   0.4048
- 0.7754   0.1265   0.709    0.7695   0.8057   0.9673   0.2566   0.8696   0.243    0.871    0.123    0.76     0.1844   0.7324   0.5757   0.0172   0.7188   0.556    0.3699
- 0.7334   0.655    0.919    0.4219   0.82     0.1046   0.5796   0.4773   0.1405   0.3777   0.4421   0.983    0.728    0.642    0.37     0.9473   0.52     0.7783   0.699
- 0.716    0.1791   0.1272   0.2471   0.3298   0.3518   0.9756   0.2268   0.6167   0.742    0.4185   0.8193   0.919    0.03827  0.02957  0.2598   0.798    0.3752   0.2109
- 0.1753   0.7227   0.829    0.6978   0.347    0.463    0.685    0.1992   0.847    0.941    0.835    0.03336  0.1359   0.04736  0.758    0.5347   0.616    0.869    0.582
- 0.694    0.2035   0.3613   0.8413   0.68     0.0896   0.3833   0.0768   0.292    0.11053  0.5586   0.578    0.3286   0.09314  0.5845   0.7124   0.2058   0.6523   0.7840.99850.6626   0.8975   0.405    0.884    0.7744   0.0258   0.484    0.768    0.7197   0.577    0.03143  0.9185   0.3608   0.3352   0.9077   0.709    0.85     0.4607
- 0.61     0.4277   0.1004   0.1995   0.1608   0.2852   0.8887   0.813    0.3396   0.272    0.703    0.1312   0.734    0.2612   0.6895   0.8647   0.9165   0.1455   0.9233
- 0.3027   0.7163   0.927    0.1995   0.155    0.6953   0.66     0.04163  0.99     0.544    0.4243   0.804    0.4612   0.01912  0.5127   0.8755   0.6665   0.707    0.01018
- 0.874    0.8545   0.9375   0.9844   0.578    0.934    0.683    0.4668   0.63     0.2032   0.3188   0.9478   0.9375   0.03357  0.9927   0.996    0.451    0.1105   0.762
- 0.82     0.8047   0.911    0.926    0.1973   0.9175   0.4521   0.4487   0.1273   0.718    0.737    0.305    0.922    0.1396   0.618    0.753    0.5913   0.874    0.08905
- 0.003582 0.05252  0.674    0.3923   0.527    0.4106   0.7812   0.113    0.965    0.6157   0.4368   0.6646   0.7944   0.7964   0.531    0.6665   0.517    0.04468  0.5737
- 0.752    0.4      0.4463   0.05496  0.939    0.6353   0.2036   0.667    0.3994   0.2573   0.118    0.973    0.5923   0.558    0.7114   0.785    0.714    0.7485   0.854
- 0.2585   0.274    0.9824   0.4158   0.283    0.2194   0.3074   0.2793   0.531    0.8965   0.01456  0.5264   0.992    0.856    0.5986   0.734    0.908    0.12317  0.8374
- 0.6665   0.1904   0.97     0.2546   0.364    0.6914   0.462    0.05353  0.02975  0.6235   0.4941   0.4714   0.788    0.06537  0.8423   0.2527   0.7734   0.591    0.443
- 0.3022   0.02116  0.01605  0.772    0.6924   0.01032  0.594    0.1865   0.7393   0.8887   0.916    0.9653   0.696    0.901    0.1255   0.5513   0.2742   0.5586   0.988
- 0.0954   0.4365   0.677    0.894    0.8413   0.05655  0.932    0.4426   0.336    0.848    0.9434   0.1976   0.813    0.773    0.2605   0.1543   0.8555   0.3596   0.997
- 0.10315  0.5796   0.5327   0.2283   0.7583   0.3674   0.513    0.9126   0.751    0.532    0.399    0.832    0.549    0.2358   0.6655   0.477    0.5864   0.3528   0.989
- 0.1412   0.748    0.3652   0.05292  0.3552   0.5767   0.826    0.4792   0.8477   0.03488  0.8267   0.2345   0.931    0.0884   0.6816   0.4685   0.618    0.09973  0.4385
- 0.782    0.6465   0.03882  0.4158   0.1422   0.822    0.8203   0.95     0.3274   0.724    0.929    0.8726   0.004307 0.815    0.67     0.4368   0.7793   0.593    0.4663
- 0.2207   0.01773  0.39     0.008896 0.4238   0.716    0.1155   0.601    0.9214   0.3708   0.4285   0.951    0.00431  0.726    0.977    0.1254   0.6484   0.4648   0.891
- 0.723    0.6333   0.9077   0.4849   0.3008   0.0495   0.4575   0.266    0.2014   0.1106   0.6914   0.2744   0.4956   0.532    0.1752   0.709    0.3464   0.6104   0.4067
- 0.1317   0.8647   0.8      0.4832   0.013855 0.6733   0.4524   0.6865   0.7017   0.9385   0.2957   0.2444   0.4167   0.55     0.8926   0.8364   0.506    0.9966   0.7207
- 0.51     0.8745   0.3188   0.847    0.86     0.64     0.08453  0.59     0.2062   0.1031   0.1459   0.3806   0.2096   0.469    0.1492   0.10065  0.536    0.572    0.353
- 0.068    0.07855  0.6177   0.3408   0.1538   0.2732   0.997    0.1158   0.4028   0.9536   0.7197   0.585    0.0899   0.3994   0.1835   0.737    0.4639   0.3071   0.47
- 0.993    0.3862   0.293    0.1813   0.8193   0.745    0.064    0.7407   0.329    0.198    0.596    0.3      0.6562   0.819    0.2803   0.04095  0.703    0.3425   0.9224
- 0.776    0.8057   0.734    0.2534   0.1824   0.793    0.3542   0.2595   0.2607   0.838    0.39     0.631    0.3542   0.1968   0.643    0.015366 0.4106   0.604   ]
-输出数据(dst_gm):
-[0.9985,  6.8e-06], 6.8e-06使用reinterpret_cast方法转换后为索引值114
-- tensor前n个数据计算接口完整调用示例:123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566#include"kernel_operator.h"classKernelReduce{public:__aicore__inlineKernelReduce(){}__aicore__inlinevoidInit(__gm__uint8_t*src,__gm__uint8_t*dstGm){srcGlobal.SetGlobalBuffer((__gm__half*)src);dstGlobal.SetGlobalBuffer((__gm__half*)dstGm);repeatTime=srcDataSize/mask;pipe.InitBuffer(inQueueSrc,1,srcDataSize*sizeof(half));pipe.InitBuffer(workQueue,1,32*sizeof(half));// 此处按照公式计算所需的最小work空间为32，也就是64Bytespipe.InitBuffer(outQueueDst,1,dstDataSize*sizeof(half));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<half>srcLocal=inQueueSrc.AllocTensor<half>();AscendC::DataCopy(srcLocal,srcGlobal,srcDataSize);inQueueSrc.EnQue(srcLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<half>srcLocal=inQueueSrc.DeQue<half>();AscendC::LocalTensor<half>dstLocal=outQueueDst.AllocTensor<half>();AscendC::LocalTensor<half>sharedTmpBuffer=workQueue.AllocTensor<half>();// level2AscendC::ReduceMax<half>(dstLocal,srcLocal,sharedTmpBuffer,srcDataSize,true);outQueueDst.EnQue<half>(dstLocal);inQueueSrc.FreeTensor(srcLocal);workQueue.FreeTensor(sharedTmpBuffer);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<half>dstLocal=outQueueDst.DeQue<half>();AscendC::DataCopy(dstGlobal,dstLocal,dstDataSize);outQueueDst.FreeTensor(dstLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrc;AscendC::TQue<AscendC::TPosition::VECOUT,1>workQueue;AscendC::TQue<AscendC::TPosition::VECOUT,1>outQueueDst;AscendC::GlobalTensor<half>srcGlobal,dstGlobal;intsrcDataSize=288;intdstDataSize=16;intmask=128;intrepStride=8;intrepeatTime=0;};extern"C"__global____aicore__voidkernel_ReduceMax_lv2_half_288(__gm__uint8_t*src,__gm__uint8_t*dstGm){KernelReduceop;op.Init(src,dstGm);op.Process();}示例结果如下：示例结果 输入数据(src_gm):
-[0.4778   0.5903   0.2433   0.698    0.1943   0.407    0.891    0.1766   0.5977   0.9473   0.6523   0.10913  0.0143   0.86     0.2366   0.625    0.3696   0.708    0.946
- 0.538    0.3826   0.08215  0.516    0.9116   0.1548   0.507    0.8145   0.89     0.5435   0.563    0.1125   0.543    0.3142   0.8086   0.6885   0.874    0.855    0.4019
- 0.1613   0.04462  0.945    0.6064   0.6904   0.00758  0.9463   0.528    0.9966   0.629    0.714    0.03134  0.4407   0.0322   0.5376   0.04443  0.03778  0.522    0.793
- 0.3086   0.4      0.3984   0.5693   0.8203   0.673    0.796    0.2747   0.2246   0.468    0.1146   0.4468   0.419    0.3816   0.1636   0.1414   0.4028   0.9785   0.8984
- 0.4355   0.874    0.864    0.7856   0.739    0.895    0.2487   0.5034   0.958    0.661    0.8755   0.302    0.802    0.563    0.9067   0.1562   0.1337   0.1844   0.3047
- 0.543    0.3855   0.9536   0.8633   0.5435   0.002748 0.8916   0.9614   0.3665   0.1588   0.51     0.77     0.552    0.84     0.2798   0.7217   0.8633   0.3794   0.5376
- 0.03     0.7783   0.9297   0.9556   0.609    0.1776   0.5957   0.2954   0.6675   0.7183   0.4182   0.8804   0.1837   0.3235   0.3486   0.43     0.8633   0.3972   0.1307
- 0.7915   0.43     0.2544   0.827    0.04843  0.1637   0.3376   0.4087   0.4993   0.5923   0.3057   0.04306  0.4905   0.693    0.7393   0.777    0.01379  0.2742   0.669
- 0.6826   0.04028  0.0423   0.281    0.12476  0.5366   0.2098   0.559    0.8833   0.82     0.0745   0.7485   0.04004  0.776    0.863    0.1909   0.7876   0.734    0.4727
- 0.3655   0.944    0.006794 0.01872  0.687    0.5664   0.9697   0.2437   0.2014   0.0269   0.3975   0.08405  0.36     0.0751   0.02632  0.135    0.531    0.554    0.378
- 0.9365   0.5254   0.8687   0.181    0.329    0.322    0.3076   0.508    0.638    0.3462   0.3882   0.7705   0.5933   0.994    0.1188   0.0782   0.94     0.00856  0.1396
- 0.2191   0.00648  0.8994   0.6714   0.6724   0.57     0.3127   0.4905   0.2119   0.3938   0.5957   0.1493   0.9424   0.716    0.3699   0.829    0.647    0.8286   0.04514
- 0.4028   0.5786   0.148    0.34250.9990.869    0.04288  0.817    0.7075   0.03098  0.621    0.612    0.0774   0.532    0.4395   0.0711   0.4805   0.5835   0.5947
- 0.1768   0.52     0.3428   0.9146   0.7324   0.5054   0.7397   0.2737   0.6313   0.1704   0.5093   0.8105   0.1312   0.752    0.3647   0.781    0.4197   0.2329   0.787
- 0.762    0.63     0.9263   0.2673   0.1846   0.765    0.921    0.2913   0.3135   0.337    0.2598   0.1782   0.8013   0.641    0.6865   0.736    0.618    0.8755   0.2756
- 0.9854   0.8296   0.262   ]
-输出数据(dst_gm):
-[0.999,  1.38e-05], 1.38e-05使用reinterpret_cast方法转换后为索引值232