@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_0105.md

@@ -1,113 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0105
-title: "AscendC 切片数据搬运"
-type: api-definition
-vendor: ascend
-func_name: "切片数据搬运"
-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_0105.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- l1-buffer
-confidence: source-reported
-evidence_level: spec
----
-# 切片数据搬运-DataCopy-数据搬运-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_0105
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0105.html
----
-
-# 切片数据搬运
-
-#### 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 | x |
-| 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 | x |
-
-#### 功能说明
-
-支持数据的切片搬运，提取多维Tensor数据的子集进行搬运。
-
-#### 函数原型
-
-- Global Memory -> Local Memory12template<typenameT>__aicore__inlinevoidDataCopy(constLocalTensor<T>&dst,constGlobalTensor<T>&src,constSliceInfodstSliceInfo[],constSliceInfosrcSliceInfo[],constuint32_tdimValue=1)
-- Local Memory -> Global Memory12template<typenameT>__aicore__inlinevoidDataCopy(constGlobalTensor<T>&dst,constLocalTensor<T>&src,constSliceInfodstSliceInfo[],constSliceInfosrcSliceInfo[],constuint32_tdimValue=1)
-
-![](../images/atlasascendc_api_07_10005_img_003.png)
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 源操作数和目的操作数的数据类型。支持的数据类型请参考支持的通路和数据类型。 |
-
-| 参数名称 | 输入/输出 | 含义 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数，类型为LocalTensor或GlobalTensor。 |
-| src | 输入 | 源操作数，类型为LocalTensor或GlobalTensor。 |
-| srcSliceInfo/dstSliceInfo | 输入 | 目的操作数/源操作数切片信息，SliceInfo类型。具体定义请参考${INSTALL_DIR}/include/ascendc/basic_api/interface/kernel_struct_data_copy.h，${INSTALL_DIR}请替换为CANN软件安装后文件存储路径。 |
-| dimValue | 输入 | 操作数维度信息，默认值为1。 |
-
-| 参数名称 | 含义 |
-| --- | --- |
-| startIndex | 切片的起始元素位置。 |
-| endIndex | 切片的终止元素位置。 |
-| stride | 切片的间隔元素个数。 |
-| burstLen | 横向切片，每一片数据的长度，仅在维度为1时生效，超出1维的情况下，必须配置为1，不支持配置成其他值。单位为datablock（32B）。比如，srcSliceInfo的List为 {{16, 70, 7, 3, 87},  {0, 2, 1, 1, 3}}，{16, 70, 7, 3, 87}表示第一维的切片信息，burstLen设置为3，表示一个切片数据段大小为3个datablock； {0, 2, 1, 1, 3}为第二维的切片信息，burstLen仅能设置为1。 |
-| shapeValue | 当前维度的原始长度。单位为元素个数。 |
-
-通过具体的示例对上述参数进行解析，示意图如下：
-
-![](../images/atlasascendc_api_07_0105_img_002.png)
-
-- dimValue为2，表示操作数有2维。
-- srcSliceInfo为 {{16, 70, 7, 3, 87},  {0, 2, 1, 1, 3}}{16, 70, 7, 3, 87}是针对单独一行， 即从一维的角度来配置，每个元素代表一个数：startIndex= 16，表示有效数据段从第16个数开始；endIndex= 70，表示有效数据段到第70个数结束；stride= 7，单位为元素个数，表示相邻的2个切片数据段间隔的元素个数，为7个0的间距；burstLen= 3，单位为32B，表示在这一个有效数据段中，一个切片数据段大小为3个datablock；shapeValue= 87，表示单独一行的长度，单位为元素个数，即 8 * 10 + 7 = 87个元素。{0, 2, 1, 1, 3}是针对多行，即从二维的角度来配置，每个元素代表一行：startIndex= 0，表示有效数据段从第0行开始；endIndex= 2，表示有效数据段到第2行结束；stride= 1，表示相邻的2个切片数据段中间隔元素为1行；burstLen= 1，在dimValue > 1时必须填为1；shapeValue= 3，表明一共有3行。
-- dstSliceInfo为{{0, 47, 0, 3, 48}, {0, 1, 0, 1, 2}}{0, 47, 0, 3, 48}是针对单独一行， 即从一维的角度来配置，每个元素代表一个数：startIndex= 0，表示有效数据段从第0个数开始；endIndex= 47，表示有效数据段到第47个数结束；stride= 0，单位为元素个数，表示相邻的2个切片数据段间隔的元素个数，为0表示两个切片数据段没有间距；burstLen= 3，单位为32B，表示在这一个有效数据段中，一个切片数据段大小为3个datablock；shapeValue= 48，表示单独一行的长度，单位为元素个数，即8 * 6 = 48个元素。{0, 1, 0, 1, 2} 是针对多行，即从二维的角度来配置，每个元素代表1行：startIndex= 0，表示有效数据段从第0行开始；endIndex= 1，表示有效数据段到第1行结束；stride= 0，表示相邻的2个切片数据段没有间隔；burstLen= 1，在dimValue > 1时必须填为1；shapeValue= 2，表示一共有2行。
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 切片数据搬运中的横向burstLen大小设置，需要用户自己通过计算：横向切片元素个数* sizeof(T)/32byte。横向切片元素个数* sizeof(T)的大小必须是32byte的倍数。
-- 切片数据搬运中的SliceInfo结构体数组大小和dimValue需要保持一致，并且不超过8。
-- 切片数据搬运中的srcSliceInfo数组大小的和dstSliceInfo的大小需要保持一致，两者的结构体中的burstLen需要相等（srcSliceInfo[i].burstLen = dstSliceInfo[i].burstLen）。
-- 切片数据搬运对参数有一定要求，建议使用者参考调用示例，并在CPU上仿真结果无误后，再到NPU侧执行。
-
-#### 支持的通路和数据类型
-
-下文的数据通路均通过逻辑位置TPosition来表达，并注明了对应的物理通路。TPosition与物理内存的映射关系见表1。
-
-| 产品型号 | 数据通路 | 源操作数和目的操作数的数据类型（两者保持一致） |
-| --- | --- | --- |
-| Atlas 推理系列产品AI Core | GM -> VECIN（GM -> UB） | int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t、half、float |
-| Atlas A2 训练系列产品/Atlas A2 推理系列产品 | GM -> VECIN（GM -> UB） | int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t、half、bfloat16_t、float |
-| Atlas A3 训练系列产品/Atlas A3 推理系列产品 | GM -> VECIN（GM -> UB） | int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t、half、bfloat16_t、float |
-
-| 产品型号 | 数据通路 | 源操作数和目的操作数的数据类型（两者保持一致） |
-| --- | --- | --- |
-| Atlas 推理系列产品AI Core | VECOUT、CO2 -> GM（UB -> GM） | int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t、half、float |
-| Atlas A2 训练系列产品/Atlas A2 推理系列产品 | VECOUT -> GM（UB -> GM） | int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t、half、bfloat16_t、float |
-| Atlas A3 训练系列产品/Atlas A3 推理系列产品 | VECOUT -> GM（UB -> GM） | int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t、half、bfloat16_t、float |
-
-#### 调用示例
-
-| 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364 | #include"kernel_operator.h"// 本样例中tensor数据类型为floattemplate<typenameT>classKernelDataCopySliceGM2UB{public:__aicore__inlineKernelDataCopySliceGM2UB(){}__aicore__inlinevoidInit(__gm__uint8_t*dstGm,__gm__uint8_t*srcGm){AscendC::SliceInfosrcSliceInfoIn[]={{16,70,7,3,87},{0,2,1,1,3}};// 如输入数据示例：startIndex为16，endIndex为70，burstLen为3，stride为7, shapeValue为87。AscendC::SliceInfodstSliceInfoIn[]={{0,47,0,3,48},{0,1,0,1,2}};// UB空间相对紧张，建议设置stride为0。uint32_tdimValueIn=2;uint32_tdstDataSize=96;uint32_tsrcDataSize=261;dimValue=dimValueIn;for(uint32_ti=0;i<dimValueIn;i++){srcSliceInfo[i].startIndex=srcSliceInfoIn[i].startIndex;srcSliceInfo[i].endIndex=srcSliceInfoIn[i].endIndex;srcSliceInfo[i].stride=srcSliceInfoIn[i].stride;srcSliceInfo[i].burstLen=srcSliceInfoIn[i].burstLen;srcSliceInfo[i].shapeValue=srcSliceInfoIn[i].shapeValue;dstSliceInfo[i].startIndex=dstSliceInfoIn[i].startIndex;dstSliceInfo[i].endIndex=dstSliceInfoIn[i].endIndex;dstSliceInfo[i].stride=dstSliceInfoIn[i].stride;dstSliceInfo[i].burstLen=dstSliceInfoIn[i].burstLen;dstSliceInfo[i].shapeValue=dstSliceInfoIn[i].shapeValue;}srcGlobal.SetGlobalBuffer((__gm__T*)srcGm);dstGlobal.SetGlobalBuffer((__gm__T*)dstGm);pipe.InitBuffer(inQueueSrcVecIn,1,dstDataSize*sizeof(T));}__aicore__inlinevoidProcess(){CopyIn();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<T>srcLocal=inQueueSrcVecIn.AllocTensor<T>();AscendC::DataCopy(srcLocal,srcGlobal,dstSliceInfo,srcSliceInfo,dimValue);inQueueSrcVecIn.EnQue(srcLocal);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<T>srcOutLocal=inQueueSrcVecIn.DeQue<T>();AscendC::DataCopy(dstGlobal,srcOutLocal,dstSliceInfo,dstSliceInfo,dimValue);inQueueSrcVecIn.FreeTensor(srcOutLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrcVecIn;AscendC::GlobalTensor<T>srcGlobal;AscendC::GlobalTensor<T>dstGlobal;AscendC::SliceInfodstSliceInfo[K_MAX_DIM];AscendC::SliceInfosrcSliceInfo[K_MAX_DIM];// K_MAX_DIM = 8uint32_tdimValue;};extern"C"__global____aicore__voidkernel_data_copy_slice_out2ub(__gm__uint8_t*src_gm,__gm__uint8_t*dst_gm){KernelDataCopySliceGM2UB<TYPE>op;op.Init(dst_gm,src_gm);op.Process();} |
-| --- | --- |
-
-结果示例请参考图1。

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_0192.md

@@ -1,92 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0192
-title: "AscendC DumpTensor"
-type: api-definition
-vendor: ascend
-func_name: "DumpTensor"
-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_0192.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# DumpTensor-上板打印-调试接口-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_0192
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0192.html
----
-
-# DumpTensor
-
-#### 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 | x |
-
-#### 功能说明
-
-基于算子工程开发的算子，可以使用该接口Dump指定Tensor的内容。同时支持打印自定义的附加信息（仅支持uint32_t数据类型的信息），比如打印当前行号等。
-
-| 1 | AscendC::DumpTensor(srcLocal,5,dataLen); |
-| --- | --- |
-
-<!-- image missing: atlasascendc_api_07_1213_img_001.png -->
-
-DumpTensor接口打印功能会对算子实际运行的性能带来一定影响，通常在调测阶段使用。开发者可以按需通过设置ASCENDC_DUMP=0来关闭打印功能。
-
-打印示例如下：
-
-| 12345678910 | DumpTensor:desc=5,addr=0,data_type=float16,position=UB,dump_size=32[19.000000,4.000000,38.000000,50.000000,39.000000,67.000000,84.000000,98.000000,21.000000,36.000000,18.000000,46.000000,10.000000,92.000000,26.000000,38.000000,39.000000,9.000000,82.000000,37.000000,35.000000,65.000000,97.000000,59.000000,89.000000,63.000000,70.000000,57.000000,35.000000,3.000000,16.000000,42.000000]DumpTensor:desc=5,addr=100,data_type=float16,position=UB,dump_size=32[6.000000,34.000000,52.000000,38.000000,73.000000,38.000000,35.000000,14.000000,67.000000,62.000000,30.000000,49.000000,86.000000,37.000000,84.000000,18.000000,38.000000,18.000000,44.000000,21.000000,86.000000,99.000000,13.000000,79.000000,84.000000,9.000000,48.000000,74.000000,52.000000,99.000000,80.000000,53.000000]...DumpTensor:desc=5,addr=0,data_type=float16,position=UB,dump_size=32[35.000000,41.000000,41.000000,22.000000,84.000000,49.000000,60.000000,0.000000,90.000000,14.000000,67.000000,80.000000,16.000000,46.000000,16.000000,83.000000,6.000000,70.000000,97.000000,28.000000,97.000000,62.000000,80.000000,22.000000,53.000000,37.000000,23.000000,58.000000,65.000000,28.000000,4.000000,29.000000] |
-| --- | --- |
-
-#### 函数原型
-
-- 无Tensor shape的打印1234template<typenameT>__aicore__inlinevoidDumpTensor(constLocalTensor<T>&tensor,uint32_tdesc,uint32_tdumpSize)template<typenameT>__aicore__inlinevoidDumpTensor(constGlobalTensor<T>&tensor,uint32_tdesc,uint32_tdumpSize)
-
-- 带Tensor shape的打印1234template<typenameT>__aicore__inlinevoidDumpTensor(constLocalTensor<T>&tensor,uint32_tdesc,uint32_tdumpSize,constShapeInfo&shapeInfo)template<typenameT>__aicore__inlinevoidDumpTensor(constGlobalTensor<T>&tensor,uint32_tdesc,uint32_tdumpSize,constShapeInfo&shapeInfo)
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 需要dump的Tensor的数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：bool、uint8_t、int8_t、int16_t、uint16_t、int32_t、uint32_t、int64_t、uint64_t、float、half、bfloat16_t。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：bool、uint8_t、int8_t、int16_t、uint16_t、int32_t、uint32_t、int64_t、uint64_t、float、half、bfloat16_t。Atlas 200I/500 A2 推理产品，支持的数据类型为：bool、uint8_t、int8_t、int16_t、uint16_t、int32_t、uint32_t、int64_t、uint64_t、float、half。Atlas 推理系列产品AI Core，支持的数据类型为：bool、uint8_t、int8_t、int16_t、uint16_t、int32_t、uint32_t、int64_t、uint64_t、float、half。 |
-
-| 参数名 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| tensor | 输入 | 需要dump的Tensor。待dump的tensor位于Unified Buffer/L1 Buffer/L0C Buffer时使用LocalTensor类型的tensor参数输入。待dump的tensor位于Global Memory时使用GlobalTensor类型的tensor参数输入。 |
-| desc | 输入 | 用户自定义附加信息（行号或其他自定义数字）。在使用DumpTensor功能时，用户可通过desc参数附加自定义信息，以便在不同调用场景下区分Dump内容的来源。此功能有助于精准定位具体DumpTensor的输出，提升调试与分析效率。 |
-| dumpSize | 输入 | 需要dump的元素个数。 |
-| shapeInfo | 输入 | 传入Tensor的shape信息，可按照shape信息进行打印。当Shape尺寸大于dumpSize元素个数时， 按照ShapeInfo打印元素，不足的Dump数据用"-"展示。当Shape尺寸小于等于dumpSize元素个数时， 按照ShapeInfo打印元素，多出的Dump数据不展示。 |
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 该功能仅用于NPU上板调试。
-- 暂不支持算子入图场景的打印。
-- 当前仅支持打印存储位置为Unified Buffer/L1 Buffer/L0C Buffer/Global Memory的Tensor信息。
-- 操作数地址对齐要求请参见通用地址对齐约束。
-- 单次调用DumpTensor打印的数据总量不可超过1MB（还包括少量框架需要的头尾信息，通常可忽略）。使用时应注意，如果超出这个限制，则数据不会被打印。
-- 在计算数据量时，若Dump的总长度未对齐，需要考虑padding数据的影响。当进行非对齐Dump时，如果实际Dump的元素长度不满足32字节对齐，系统会在其末尾自动补充一定数量的padding数据，以满足对齐要求。例如，Tensor1中用户需要Dump的元素长度为30字节，系统会在其后添加2字节的padding，使总长度对齐到32字节。但在实际解析时，仍只解析原始的30字节数据，padding部分不会被使用。
-- 使用自定义算子工程进行算子开发时，接口的打印信息和上文描述有些差异：Dump时，每个block核的dump信息前会增加对应信息头DumpHead，用于记录核号和资源使用信息；每次Dump的Tensor数据前也会添加信息头DumpTensorHead，用于记录Tensor的相关信息。如下图所示，展示了多核打印场景下的打印信息结构。DumpHead的具体信息如下：opType：当前运行的算子类型；CoreType：当前运行的核的类型；block dim：开发者设置的算子执行核数；total_block_num：参与dump的核数；block_remain_len：当前核剩余可用的dump的空间；block_initial_space：当前核初始分配的dump空间；rsv：保留字段；magic：内存校验魔术字。DumpHead打印时，除了上述打印还会自动打印当前所运行核的类型及对应的该类型下的核索引，如：AIV-0。DumpTensorHead的具体信息如下：desc：用户自定义附加信息；addr：Tensor的地址；data_type：Tensor的数据类型；position：表示Tensor所在的物理存储位置，当前仅支持Unified Buffer/L1 Buffer/L0C Buffer/Global Memory；dump_size：表示用户需要dump的元素个数。DumpTensor打印结果的最前面会自动打印CANN_VERSION_STR值与CANN_TIMESTAMP值。其中，CANN_VERSION_STR与CANN_TIMESTAMP为宏定义，CANN_VERSION_STR代表CANN软件包的版本号信息，形式为字符串，CANN_TIMESTAMP为CANN软件包发布时的时间戳，形式为数值（uint64_t）。开发者也可在代码中直接使用这两个宏。打印示例如下：123456789101112opType=AddCustom,DumpHead:AIV-0,CoreType=AIV,blockdim=8,total_block_num=8,block_remain_len=1046912,block_initial_space=1048576,rsv=0,magic=5aa5bccdCANNVersion:XX.XX,TimeStamp:XXXXXXDumpTensor:desc=5,addr=0,data_type=float16,position=UB,dump_size=32[19.000000,4.000000,38.000000,50.000000,39.000000,67.000000,84.000000,98.000000,21.000000,36.000000,18.000000,46.000000,10.000000,92.000000,26.000000,38.000000,39.000000,9.000000,82.000000,37.000000,35.000000,65.000000,97.000000,59.000000,89.000000,63.000000,70.000000,57.000000,35.000000,3.000000,16.000000,42.000000]DumpTensor:desc=5,addr=100,data_type=float16,position=UB,dump_size=32[6.000000,34.000000,52.000000,38.000000,73.000000,38.000000,35.000000,14.000000,67.000000,62.000000,30.000000,49.000000,86.000000,37.000000,84.000000,18.000000,38.000000,18.000000,44.000000,21.000000,86.000000,99.000000,13.000000,79.000000,84.000000,9.000000,48.000000,74.000000,52.000000,99.000000,80.000000,53.000000]...DumpTensor:desc=5,addr=0,data_type=float16,position=UB,dump_size=32[35.000000,41.000000,41.000000,22.000000,84.000000,49.000000,60.000000,0.000000,90.000000,14.000000,67.000000,80.000000,16.000000,46.000000,16.000000,83.000000,6.000000,70.000000,97.000000,28.000000,97.000000,62.000000,80.000000,22.000000,53.000000,37.000000,23.000000,58.000000,65.000000,28.000000,4.000000,29.000000]该接口使用Dump功能，一个算子所有使用Dump功能的接口在每个核上Dump的数据总量（包括信息头）不可超过1M。请开发者自行控制待打印的内容数据量，超出则不会打印。
-
-#### 调用示例
-
-- 无Tensor shape的打印1AscendC::DumpTensor(srcLocal,5,dataLen);
-- 带Tensor shape的打印1234567891011uint32_tarray[]={static_cast<uint32_t>(8),static_cast<uint32_t>(8)};AscendC::ShapeInfoshapeInfo(2,array);// dim为2， shape为(8,8)AscendC::DumpTensor(x,2,64,shapeInfo);// dump x的64个元素，且解析按照shapeInfo的(8,8)排列uint32_tarray1[]={static_cast<uint32_t>(7),static_cast<uint32_t>(8)};AscendC::ShapeInfoshapeInfo1(2,array1);// dim为2， shape为(7,8)AscendC::DumpTensor(x1,3,64,shapeInfo1);// 当Shape尺寸小于等于dumpSize元素个数时， 按照ShapeInfo打印元素，多出的Dump数据不展示uint32_tarray2[]={static_cast<uint32_t>(9),static_cast<uint32_t>(8)};AscendC::ShapeInfoshapeInfo2(2,array2);// dim为2， shape为(9,8)AscendC::DumpTensor(x2,4,64,shapeInfo2);// 当Shape尺寸大于dumpSize元素个数时， 按照ShapeInfo打印元素，不足的Dump数据用"-"展示打印结果如下：1234567891011121314151617181920212223242526272829DumpTensor:desc=2,addr=xxxx,data_type=float16,position=UB,dump_size=64[[150.000000,83.000000,109.000000,166.000000,129.000000,50.000000,150.000000,74.000000],[135.000000,79.000000,98.000000,134.000000,146.000000,166.000000,112.000000,70.000000],[122.000000,51.000000,116.000000,68.000000,172.000000,72.000000,102.000000,69.000000],[136.000000,83.000000,88.000000,88.000000,112.000000,148.000000,79.000000,136.000000],[133.000000,104.000000,83.000000,71.000000,83.000000,99.000000,103.000000,151.000000],[98.000000,118.000000,128.000000,83.000000,25.000000,105.000000,179.000000,34.000000],[104.000000,169.000000,115.000000,113.000000,134.000000,121.000000,88.000000,96.000000],[29.000000,139.000000,70.000000,40.000000,158.000000,138.000000,72.000000,171.000000]]DumpTensor:desc=3,addr=xxxx,data_type=float16,position=UB,dump_size=64shapeis[7,8],dumpSizeis64,dumpSizeisgreaterthanshapeSize.[[82.250000,37.312500,22.843750,91.937500,93.312500,77.125000,50.718750,27.171875],[21.859375,32.906250,20.109375,70.875000,13.398438,14.562500,30.156250,52.562500],[40.156250,45.781250,78.937500,65.687500,71.562500,61.375000,32.062500,80.750000],[55.593750,44.031250,43.781250,3.132812,38.750000,50.968750,79.562500,80.562500],[51.562500,22.468750,88.250000,20.578125,95.437500,83.562500,76.812500,34.281250],[75.500000,47.875000,52.562500,74.937500,39.687500,90.062500,28.890625,10.593750],[42.343750,67.062500,35.468750,60.875000,71.812500,81.562500,57.531250,62.500000]]DumpTensor:desc=4,addr=xxxx,data_type=float16,position=UB,dump_size=64shapeis[9,8],dumpSizeis64,dataisnotenough.[[95.437500,59.250000,57.281250,27.093750,41.375000,48.375000,33.093750,91.312500],[27.703125,60.718750,68.187500,70.875000,67.437500,84.562500,13.507812,4.550781],[24.500000,73.437500,36.062500,68.437500,55.500000,95.375000,60.250000,64.750000],[40.093750,85.000000,42.250000,39.531250,60.968750,8.953125,48.531250,53.906250],[53.656250,64.187500,84.750000,22.250000,95.500000,39.937500,12.945312,54.031250],[3.804688,98.187500,43.968750,26.000000,41.750000,34.500000,75.750000,89.625000],[25.046875,5.265625,65.500000,45.468750,32.937500,8.593750,1.705078,12.742188],[37.281250,95.125000,71.562500,27.515625,47.250000,36.312500,66.750000,31.250000],[-,-,-,-,-,-,-,-]]

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_0198.md

@@ -1,162 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0198
-title: "AscendC Transpose"
-type: api-definition
-vendor: ascend
-func_name: "Transpose"
-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_0198.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- vector-unit
-confidence: source-reported
-evidence_level: spec
----
-# Transpose-数据转换-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_0198
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0198.html
----
-
-# Transpose
-
-#### 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
-
-用于实现16*16的二维矩阵数据块转置或者[N,C,H,W]与[N,H,W,C]数据格式互相转换。
-
-#### 函数原型
-
-- 普通转置，支持16*16的二维矩阵数据块进行转置12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src)
-
-- 增强转置，支持16*16的二维矩阵数据块转置，支持[N,C,H,W]与[N,H,W,C]互相转换12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<uint8_t>&sharedTmpBuffer,constTransposeParamsExt&transposeParams)
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 操作数的数据类型。普通转置:Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：uint16_t/int16_t/halfAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：uint16_t/int16_t/halfAtlas 200I/500 A2 推理产品，支持的数据类型为：uint16_t/int16_t/halfAtlas 推理系列产品AI Core，支持的数据类型为：uint16_t/int16_t/halfAtlas 训练系列产品，支持的数据类型为：uint16_t/int16_t/half增强转置:transposeType为TRANSPOSE_ND2ND_B16：Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：uint16_tAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：uint16_tAtlas 200I/500 A2 推理产品，支持的数据类型为：uint16_tAtlas 推理系列产品AI Core，支持的数据类型为：uint16_ttransposeType为TRANSPOSE_NCHW2NHWC或TRANSPOSE_NHWC2NCHW：Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：int8_t/uint8_t/int16_t/uint16_t/half/int32_t/uint32_t/floatAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：int8_t/uint8_t/int16_t/uint16_t/half/int32_t/uint32_t/floatAtlas 推理系列产品AI Core，支持的数据类型为：int8_t/uint8_t/int16_t/uint16_t/half/int32_t/uint32_t/float |
-
-| 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。数据类型需要与dst保持一致。 |
-| sharedTmpBuffer | 输入 | 共享的临时Buffer，sharedTmpBuffer的大小参考表4。 |
-| transposeParams | 输入 | 控制Transpose的数据结构。结构体内包含：输入的shape信息和transposeType参数。该数据结构的定义请参考表3。12345678910111213141516structTransposeParamsExt{__aicore__TransposeParamsExt(){}__aicore__TransposeParamsExt(constuint16_tnSizeIn,constuint16_tcSizeIn,constuint16_thSizeIn,constuint16_twSizeIn,constTransposeTypetransposeTypeIn):nSize(nSizeIn),cSize(cSizeIn),hSize(hSizeIn),wSize(wSizeIn),transposeType(transposeTypeIn){}uint16_tnSize=0;uint16_tcSize=0;uint16_thSize=0;uint16_twSize=0;TransposeTypetransposeType=TransposeType::TRANSPOSE_ND2ND_B16;}; | 12345678910111213141516 | structTransposeParamsExt{__aicore__TransposeParamsExt(){}__aicore__TransposeParamsExt(constuint16_tnSizeIn,constuint16_tcSizeIn,constuint16_thSizeIn,constuint16_twSizeIn,constTransposeTypetransposeTypeIn):nSize(nSizeIn),cSize(cSizeIn),hSize(hSizeIn),wSize(wSizeIn),transposeType(transposeTypeIn){}uint16_tnSize=0;uint16_tcSize=0;uint16_thSize=0;uint16_twSize=0;TransposeTypetransposeType=TransposeType::TRANSPOSE_ND2ND_B16;}; |
-| 12345678910111213141516 | structTransposeParamsExt{__aicore__TransposeParamsExt(){}__aicore__TransposeParamsExt(constuint16_tnSizeIn,constuint16_tcSizeIn,constuint16_thSizeIn,constuint16_twSizeIn,constTransposeTypetransposeTypeIn):nSize(nSizeIn),cSize(cSizeIn),hSize(hSizeIn),wSize(wSizeIn),transposeType(transposeTypeIn){}uint16_tnSize=0;uint16_tcSize=0;uint16_thSize=0;uint16_twSize=0;TransposeTypetransposeType=TransposeType::TRANSPOSE_ND2ND_B16;}; |
-
-| 参数名称 | 含义 |
-| --- | --- |
-| nSize | n轴长度。默认值为0。二维矩阵数据块转置，无需传入，传入数值无效。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：nSize∈[0, 65535]。 |
-| cSize | c轴长度。默认值为0。二维矩阵数据块转置，无需传入，传入数值无效。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：cSize∈[0, 4095] |
-| hSize | h轴长度。默认值为0。二维矩阵数据块转置，固定传入16。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：hSize * wSize ∈[0, 4095]，hSize * wSize * sizeof(T)需要保证32B对齐。 |
-| wSize | w轴长度。默认值为0。二维矩阵数据块转置，固定传入16。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：hSize * wSize ∈[0, 4095]，hSize * wSize * sizeof(T)需要保证32B对齐。 |
-| transposeType | 数据排布及reshape的类型，类型为TransposeType枚举类。默认值为TRANSPOSE_ND2ND_B16。123456789101112131415enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// API不做任何处理TRANSPOSE_NZ2ND_0213,// 当前不支持TRANSPOSE_NZ2NZ_0213,// 当前不支持TRANSPOSE_NZ2NZ_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITHOUT_N,// 当前不支持TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 当前不支持TRANSPOSE_ND2ND_ONLY,// 当前不支持TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// [16,16]二维矩阵转置TRANSPOSE_NCHW2NHWC,// [N,C,H,W]->[N,H,W,C]，TRANSPOSE_NHWC2NCHW// [N,H,W,C]->[N,C,H,W]}; | 123456789101112131415 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// API不做任何处理TRANSPOSE_NZ2ND_0213,// 当前不支持TRANSPOSE_NZ2NZ_0213,// 当前不支持TRANSPOSE_NZ2NZ_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITHOUT_N,// 当前不支持TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 当前不支持TRANSPOSE_ND2ND_ONLY,// 当前不支持TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// [16,16]二维矩阵转置TRANSPOSE_NCHW2NHWC,// [N,C,H,W]->[N,H,W,C]，TRANSPOSE_NHWC2NCHW// [N,H,W,C]->[N,C,H,W]}; |
-| 123456789101112131415 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// API不做任何处理TRANSPOSE_NZ2ND_0213,// 当前不支持TRANSPOSE_NZ2NZ_0213,// 当前不支持TRANSPOSE_NZ2NZ_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITHOUT_N,// 当前不支持TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 当前不支持TRANSPOSE_ND2ND_ONLY,// 当前不支持TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// [16,16]二维矩阵转置TRANSPOSE_NCHW2NHWC,// [N,C,H,W]->[N,H,W,C]，TRANSPOSE_NHWC2NCHW// [N,H,W,C]->[N,C,H,W]}; |
-
-| transposeType | sharedTmpBuffer所需的大小 |
-| --- | --- |
-| TRANSPOSE_ND2ND_B16 | 不需要临时Buffer。 |
-| TRANSPOSE_NCHW2NHWC | 针对以下型号：Atlas 推理系列产品AI Core不需要临时Buffer。针对以下型号：Atlas A2 训练系列产品/Atlas A2 推理系列产品Atlas A3 训练系列产品/Atlas A3 推理系列产品临时Buffer的大小按照下述计算规则（伪代码）进行计算。123autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize+2)*h0*w0*sizeof(type); | 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize+2)*h0*w0*sizeof(type); |
-| 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize+2)*h0*w0*sizeof(type); |
-| TRANSPOSE_NHWC2NCHW | 针对以下型号：Atlas 推理系列产品AI Core不需要临时Buffer。针对以下型号：Atlas A2 训练系列产品/Atlas A2 推理系列产品Atlas A3 训练系列产品/Atlas A3 推理系列产品临时Buffer的大小按照下述计算规则（伪代码）进行计算。123autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize*2+1)*h0*w0*sizeof(type); | 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize*2+1)*h0*w0*sizeof(type); |
-| 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize*2+1)*h0*w0*sizeof(type); |
-
-#### 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。
-- 普通转置接口支持src和dst复用。
-- 增强转置接口，transposeType为TRANSPOSE_ND2ND_B16时支持src和dst复用，transposeType为TRANSPOSE_NCHW2NHWC、TRANSPOSE_NHWC2NCHW时不支持src和dst复用。
-
-#### 调用示例
-
-- 普通接口调用示例，该示例对[16,16]的half类型矩阵进行转置。12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758#include"kernel_operator.h"classKernelTranspose{public:__aicore__inlineKernelTranspose(){}__aicore__inlinevoidInit(__gm__uint8_t*src,__gm__uint8_t*dstGm){srcGlobal.SetGlobalBuffer((__gm__half*)src);dstGlobal.SetGlobalBuffer((__gm__half*)dstGm);pipe.InitBuffer(inQueueSrc,1,srcDataSize*sizeof(half));pipe.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::Transpose<half>(dstLocal,srcLocal);outQueueDst.EnQue<half>(dstLocal);inQueueSrc.FreeTensor(srcLocal);}__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>outQueueDst;AscendC::GlobalTensor<half>srcGlobal,dstGlobal;intsrcDataSize=256;intdstDataSize=256;};extern"C"__global____aicore__voidtranspose_kernel(__gm__uint8_t*src,__gm__uint8_t*dstGm){KernelTransposeop;op.Init(src,dstGm);op.Process();}输入数据src_gm:
-[[  0.   1.   2.   3.   4.   5.   6.   7.   8.   9.  10.  11.  12.  13.
-   14.  15.]
- [ 16.  17.  18.  19.  20.  21.  22.  23.  24.  25.  26.  27.  28.  29.
-   30.  31.]
- [ 32.  33.  34.  35.  36.  37.  38.  39.  40.  41.  42.  43.  44.  45.
-   46.  47.]
- [ 48.  49.  50.  51.  52.  53.  54.  55.  56.  57.  58.  59.  60.  61.
-   62.  63.]
- [ 64.  65.  66.  67.  68.  69.  70.  71.  72.  73.  74.  75.  76.  77.
-   78.  79.]
- [ 80.  81.  82.  83.  84.  85.  86.  87.  88.  89.  90.  91.  92.  93.
-   94.  95.]
- [ 96.  97.  98.  99. 100. 101. 102. 103. 104. 105. 106. 107. 108. 109.
-  110. 111.]
- [112. 113. 114. 115. 116. 117. 118. 119. 120. 121. 122. 123. 124. 125.
-  126. 127.]
- [128. 129. 130. 131. 132. 133. 134. 135. 136. 137. 138. 139. 140. 141.
-  142. 143.]
- [144. 145. 146. 147. 148. 149. 150. 151. 152. 153. 154. 155. 156. 157.
-  158. 159.]
- [160. 161. 162. 163. 164. 165. 166. 167. 168. 169. 170. 171. 172. 173.
-  174. 175.]
- [176. 177. 178. 179. 180. 181. 182. 183. 184. 185. 186. 187. 188. 189.
-  190. 191.]
- [192. 193. 194. 195. 196. 197. 198. 199. 200. 201. 202. 203. 204. 205.
-  206. 207.]
- [208. 209. 210. 211. 212. 213. 214. 215. 216. 217. 218. 219. 220. 221.
-  222. 223.]
- [224. 225. 226. 227. 228. 229. 230. 231. 232. 233. 234. 235. 236. 237.
-  238. 239.]
- [240. 241. 242. 243. 244. 245. 246. 247. 248. 249. 250. 251. 252. 253.
-  254. 255.]]
-
-输出数据dst_gm:
-[[  0.  16.  32.  48.  64.  80.  96. 112. 128. 144. 160. 176. 192. 208.
-  224. 240.]
- [  1.  17.  33.  49.  65.  81.  97. 113. 129. 145. 161. 177. 193. 209.
-  225. 241.]
- [  2.  18.  34.  50.  66.  82.  98. 114. 130. 146. 162. 178. 194. 210.
-  226. 242.]
- [  3.  19.  35.  51.  67.  83.  99. 115. 131. 147. 163. 179. 195. 211.
-  227. 243.]
- [  4.  20.  36.  52.  68.  84. 100. 116. 132. 148. 164. 180. 196. 212.
-  228. 244.]
- [  5.  21.  37.  53.  69.  85. 101. 117. 133. 149. 165. 181. 197. 213.
-  229. 245.]
- [  6.  22.  38.  54.  70.  86. 102. 118. 134. 150. 166. 182. 198. 214.
-  230. 246.]
- [  7.  23.  39.  55.  71.  87. 103. 119. 135. 151. 167. 183. 199. 215.
-  231. 247.]
- [  8.  24.  40.  56.  72.  88. 104. 120. 136. 152. 168. 184. 200. 216.
-  232. 248.]
- [  9.  25.  41.  57.  73.  89. 105. 121. 137. 153. 169. 185. 201. 217.
-  233. 249.]
- [ 10.  26.  42.  58.  74.  90. 106. 122. 138. 154. 170. 186. 202. 218.
-  234. 250.]
- [ 11.  27.  43.  59.  75.  91. 107. 123. 139. 155. 171. 187. 203. 219.
-  235. 251.]
- [ 12.  28.  44.  60.  76.  92. 108. 124. 140. 156. 172. 188. 204. 220.
-  236. 252.]
- [ 13.  29.  45.  61.  77.  93. 109. 125. 141. 157. 173. 189. 205. 221.
-  237. 253.]
- [ 14.  30.  46.  62.  78.  94. 110. 126. 142. 158. 174. 190. 206. 222.
-  238. 254.]
- [ 15.  31.  47.  63.  79.  95. 111. 127. 143. 159. 175. 191. 207. 223.
-  239. 255.]]
-
-- 增强接口调用示例，完成half类型的[N,C,H,W]->[N,H,W,C]转置。1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374#include"kernel_operator.h"template<typenameT>classKernel4dTrans{public:__aicore__inlineKernel4dTrans(){}__aicore__inlinevoidInit(__gm__uint8_t*srcGm,__gm__uint8_t*dstGm){inputSize=N*C*H*W;tmpBufferSize=(C+2)*16*16;srcGlobal.SetGlobalBuffer((__gm__T*)srcGm);dstGlobal.SetGlobalBuffer((__gm__T*)dstGm);pipe.InitBuffer(inQueueSrcVecIn,1,inputSize*sizeof(T));pipe.InitBuffer(inQueueSrcVecOut,1,inputSize*sizeof(T));pipe.InitBuffer(tmpQueue,1,tmpBufferSize*sizeof(T));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<T>srcLocal=inQueueSrcVecIn.AllocTensor<T>();AscendC::DataCopy(srcLocal,srcGlobal,inputSize);inQueueSrcVecIn.EnQue(srcLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<T>srcLocal=inQueueSrcVecIn.DeQue<T>();AscendC::LocalTensor<T>dstLocal=inQueueSrcVecOut.AllocTensor<T>();AscendC::LocalTensor<uint8_t>stackBuffer=tmpQueue.AllocTensor<uint8_t>();AscendC::TransposeParamsExttransposeParams;transposeParams.nSize=N;transposeParams.cSize=C;transposeParams.hSize=H;transposeParams.wSize=W;transposeParams.transposeType=transposeType;AscendC::Transpose(dstLocal,srcLocal,stackBuffer,transposeParams);inQueueSrcVecOut.EnQue<T>(dstLocal);inQueueSrcVecIn.FreeTensor(srcLocal);tmpQueue.FreeTensor(stackBuffer);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<T>dstLocal=inQueueSrcVecOut.DeQue<T>();AscendC::DataCopy(dstGlobal,dstLocal,inputSize);inQueueSrcVecOut.FreeTensor(dstLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrcVecIn;AscendC::TQue<AscendC::TPosition::VECOUT,1>inQueueSrcVecOut;AscendC::TQue<AscendC::TPosition::VECCALC,1>tmpQueue;AscendC::GlobalTensor<T>srcGlobal;AscendC::GlobalTensor<T>dstGlobal;uint32_tN=3;uint32_tC=3;uint32_tH=2;uint32_tW=8;uint32_tinputSize,tmpBufferSize;AscendC::TransposeTypetransposeType=AscendC::TransposeType::TRANSPOSE_NCHW2NHWC;};extern"C"__global____aicore__voidtranspose_kernel(__gm__uint8_t*srcGm,__gm__uint8_t*dstGm){Kernel4dTrans<half>op;op.Init(srcGm,dstGm);op.Process();}

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_0199.md

@@ -1,162 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0199
-title: "AscendC Transpose"
-type: api-definition
-vendor: ascend
-func_name: "Transpose"
-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_0199.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- vector-unit
-confidence: source-reported
-evidence_level: spec
----
-# Transpose-数据转换-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_0199
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0199.html
----
-
-# Transpose
-
-#### 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
-
-用于实现16*16的二维矩阵数据块转置或者[N,C,H,W]与[N,H,W,C]数据格式互相转换。
-
-#### 函数原型
-
-- 普通转置，支持16*16的二维矩阵数据块进行转置12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src)
-
-- 增强转置，支持16*16的二维矩阵数据块转置，支持[N,C,H,W]与[N,H,W,C]互相转换12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<uint8_t>&sharedTmpBuffer,constTransposeParamsExt&transposeParams)
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 操作数的数据类型。普通转置:Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：uint16_t/int16_t/halfAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：uint16_t/int16_t/halfAtlas 200I/500 A2 推理产品，支持的数据类型为：uint16_t/int16_t/halfAtlas 推理系列产品AI Core，支持的数据类型为：uint16_t/int16_t/halfAtlas 训练系列产品，支持的数据类型为：uint16_t/int16_t/half增强转置:transposeType为TRANSPOSE_ND2ND_B16：Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：uint16_tAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：uint16_tAtlas 200I/500 A2 推理产品，支持的数据类型为：uint16_tAtlas 推理系列产品AI Core，支持的数据类型为：uint16_ttransposeType为TRANSPOSE_NCHW2NHWC或TRANSPOSE_NHWC2NCHW：Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：int8_t/uint8_t/int16_t/uint16_t/half/int32_t/uint32_t/floatAtlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：int8_t/uint8_t/int16_t/uint16_t/half/int32_t/uint32_t/floatAtlas 推理系列产品AI Core，支持的数据类型为：int8_t/uint8_t/int16_t/uint16_t/half/int32_t/uint32_t/float |
-
-| 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。数据类型需要与dst保持一致。 |
-| sharedTmpBuffer | 输入 | 共享的临时Buffer，sharedTmpBuffer的大小参考表4。 |
-| transposeParams | 输入 | 控制Transpose的数据结构。结构体内包含：输入的shape信息和transposeType参数。该数据结构的定义请参考表3。12345678910111213141516structTransposeParamsExt{__aicore__TransposeParamsExt(){}__aicore__TransposeParamsExt(constuint16_tnSizeIn,constuint16_tcSizeIn,constuint16_thSizeIn,constuint16_twSizeIn,constTransposeTypetransposeTypeIn):nSize(nSizeIn),cSize(cSizeIn),hSize(hSizeIn),wSize(wSizeIn),transposeType(transposeTypeIn){}uint16_tnSize=0;uint16_tcSize=0;uint16_thSize=0;uint16_twSize=0;TransposeTypetransposeType=TransposeType::TRANSPOSE_ND2ND_B16;}; | 12345678910111213141516 | structTransposeParamsExt{__aicore__TransposeParamsExt(){}__aicore__TransposeParamsExt(constuint16_tnSizeIn,constuint16_tcSizeIn,constuint16_thSizeIn,constuint16_twSizeIn,constTransposeTypetransposeTypeIn):nSize(nSizeIn),cSize(cSizeIn),hSize(hSizeIn),wSize(wSizeIn),transposeType(transposeTypeIn){}uint16_tnSize=0;uint16_tcSize=0;uint16_thSize=0;uint16_twSize=0;TransposeTypetransposeType=TransposeType::TRANSPOSE_ND2ND_B16;}; |
-| 12345678910111213141516 | structTransposeParamsExt{__aicore__TransposeParamsExt(){}__aicore__TransposeParamsExt(constuint16_tnSizeIn,constuint16_tcSizeIn,constuint16_thSizeIn,constuint16_twSizeIn,constTransposeTypetransposeTypeIn):nSize(nSizeIn),cSize(cSizeIn),hSize(hSizeIn),wSize(wSizeIn),transposeType(transposeTypeIn){}uint16_tnSize=0;uint16_tcSize=0;uint16_thSize=0;uint16_twSize=0;TransposeTypetransposeType=TransposeType::TRANSPOSE_ND2ND_B16;}; |
-
-| 参数名称 | 含义 |
-| --- | --- |
-| nSize | n轴长度。默认值为0。二维矩阵数据块转置，无需传入，传入数值无效。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：nSize∈[0, 65535]。 |
-| cSize | c轴长度。默认值为0。二维矩阵数据块转置，无需传入，传入数值无效。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：cSize∈[0, 4095] |
-| hSize | h轴长度。默认值为0。二维矩阵数据块转置，固定传入16。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：hSize * wSize ∈[0, 4095]，hSize * wSize * sizeof(T)需要保证32B对齐。 |
-| wSize | w轴长度。默认值为0。二维矩阵数据块转置，固定传入16。[N,C,H,W]与[N,H,W,C]数据格式互相转换，取值范围：hSize * wSize ∈[0, 4095]，hSize * wSize * sizeof(T)需要保证32B对齐。 |
-| transposeType | 数据排布及reshape的类型，类型为TransposeType枚举类。默认值为TRANSPOSE_ND2ND_B16。123456789101112131415enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// API不做任何处理TRANSPOSE_NZ2ND_0213,// 当前不支持TRANSPOSE_NZ2NZ_0213,// 当前不支持TRANSPOSE_NZ2NZ_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITHOUT_N,// 当前不支持TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 当前不支持TRANSPOSE_ND2ND_ONLY,// 当前不支持TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// [16,16]二维矩阵转置TRANSPOSE_NCHW2NHWC,// [N,C,H,W]->[N,H,W,C]，TRANSPOSE_NHWC2NCHW// [N,H,W,C]->[N,C,H,W]}; | 123456789101112131415 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// API不做任何处理TRANSPOSE_NZ2ND_0213,// 当前不支持TRANSPOSE_NZ2NZ_0213,// 当前不支持TRANSPOSE_NZ2NZ_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITHOUT_N,// 当前不支持TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 当前不支持TRANSPOSE_ND2ND_ONLY,// 当前不支持TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// [16,16]二维矩阵转置TRANSPOSE_NCHW2NHWC,// [N,C,H,W]->[N,H,W,C]，TRANSPOSE_NHWC2NCHW// [N,H,W,C]->[N,C,H,W]}; |
-| 123456789101112131415 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// API不做任何处理TRANSPOSE_NZ2ND_0213,// 当前不支持TRANSPOSE_NZ2NZ_0213,// 当前不支持TRANSPOSE_NZ2NZ_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITH_N,// 当前不支持TRANSPOSE_NZ2ND_012_WITHOUT_N,// 当前不支持TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 当前不支持TRANSPOSE_ND2ND_ONLY,// 当前不支持TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// [16,16]二维矩阵转置TRANSPOSE_NCHW2NHWC,// [N,C,H,W]->[N,H,W,C]，TRANSPOSE_NHWC2NCHW// [N,H,W,C]->[N,C,H,W]}; |
-
-| transposeType | sharedTmpBuffer所需的大小 |
-| --- | --- |
-| TRANSPOSE_ND2ND_B16 | 不需要临时Buffer。 |
-| TRANSPOSE_NCHW2NHWC | 针对以下型号：Atlas 推理系列产品AI Core不需要临时Buffer。针对以下型号：Atlas A2 训练系列产品/Atlas A2 推理系列产品Atlas A3 训练系列产品/Atlas A3 推理系列产品临时Buffer的大小按照下述计算规则（伪代码）进行计算。123autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize+2)*h0*w0*sizeof(type); | 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize+2)*h0*w0*sizeof(type); |
-| 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize+2)*h0*w0*sizeof(type); |
-| TRANSPOSE_NHWC2NCHW | 针对以下型号：Atlas 推理系列产品AI Core不需要临时Buffer。针对以下型号：Atlas A2 训练系列产品/Atlas A2 推理系列产品Atlas A3 训练系列产品/Atlas A3 推理系列产品临时Buffer的大小按照下述计算规则（伪代码）进行计算。123autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize*2+1)*h0*w0*sizeof(type); | 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize*2+1)*h0*w0*sizeof(type); |
-| 123 | autoh0=16;// 当数据类型的位宽为8时，h0 = 32；其他情况下，h0 = 16autow0=32/sizeof(type);// type代表数据类型autotmpBufferSize=(cSize*2+1)*h0*w0*sizeof(type); |
-
-#### 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。
-- 普通转置接口支持src和dst复用。
-- 增强转置接口，transposeType为TRANSPOSE_ND2ND_B16时支持src和dst复用，transposeType为TRANSPOSE_NCHW2NHWC、TRANSPOSE_NHWC2NCHW时不支持src和dst复用。
-
-#### 调用示例
-
-- 普通接口调用示例，该示例对[16,16]的half类型矩阵进行转置。12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758#include"kernel_operator.h"classKernelTranspose{public:__aicore__inlineKernelTranspose(){}__aicore__inlinevoidInit(__gm__uint8_t*src,__gm__uint8_t*dstGm){srcGlobal.SetGlobalBuffer((__gm__half*)src);dstGlobal.SetGlobalBuffer((__gm__half*)dstGm);pipe.InitBuffer(inQueueSrc,1,srcDataSize*sizeof(half));pipe.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::Transpose<half>(dstLocal,srcLocal);outQueueDst.EnQue<half>(dstLocal);inQueueSrc.FreeTensor(srcLocal);}__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>outQueueDst;AscendC::GlobalTensor<half>srcGlobal,dstGlobal;intsrcDataSize=256;intdstDataSize=256;};extern"C"__global____aicore__voidtranspose_kernel(__gm__uint8_t*src,__gm__uint8_t*dstGm){KernelTransposeop;op.Init(src,dstGm);op.Process();}输入数据src_gm:
-[[  0.   1.   2.   3.   4.   5.   6.   7.   8.   9.  10.  11.  12.  13.
-   14.  15.]
- [ 16.  17.  18.  19.  20.  21.  22.  23.  24.  25.  26.  27.  28.  29.
-   30.  31.]
- [ 32.  33.  34.  35.  36.  37.  38.  39.  40.  41.  42.  43.  44.  45.
-   46.  47.]
- [ 48.  49.  50.  51.  52.  53.  54.  55.  56.  57.  58.  59.  60.  61.
-   62.  63.]
- [ 64.  65.  66.  67.  68.  69.  70.  71.  72.  73.  74.  75.  76.  77.
-   78.  79.]
- [ 80.  81.  82.  83.  84.  85.  86.  87.  88.  89.  90.  91.  92.  93.
-   94.  95.]
- [ 96.  97.  98.  99. 100. 101. 102. 103. 104. 105. 106. 107. 108. 109.
-  110. 111.]
- [112. 113. 114. 115. 116. 117. 118. 119. 120. 121. 122. 123. 124. 125.
-  126. 127.]
- [128. 129. 130. 131. 132. 133. 134. 135. 136. 137. 138. 139. 140. 141.
-  142. 143.]
- [144. 145. 146. 147. 148. 149. 150. 151. 152. 153. 154. 155. 156. 157.
-  158. 159.]
- [160. 161. 162. 163. 164. 165. 166. 167. 168. 169. 170. 171. 172. 173.
-  174. 175.]
- [176. 177. 178. 179. 180. 181. 182. 183. 184. 185. 186. 187. 188. 189.
-  190. 191.]
- [192. 193. 194. 195. 196. 197. 198. 199. 200. 201. 202. 203. 204. 205.
-  206. 207.]
- [208. 209. 210. 211. 212. 213. 214. 215. 216. 217. 218. 219. 220. 221.
-  222. 223.]
- [224. 225. 226. 227. 228. 229. 230. 231. 232. 233. 234. 235. 236. 237.
-  238. 239.]
- [240. 241. 242. 243. 244. 245. 246. 247. 248. 249. 250. 251. 252. 253.
-  254. 255.]]
-
-输出数据dst_gm:
-[[  0.  16.  32.  48.  64.  80.  96. 112. 128. 144. 160. 176. 192. 208.
-  224. 240.]
- [  1.  17.  33.  49.  65.  81.  97. 113. 129. 145. 161. 177. 193. 209.
-  225. 241.]
- [  2.  18.  34.  50.  66.  82.  98. 114. 130. 146. 162. 178. 194. 210.
-  226. 242.]
- [  3.  19.  35.  51.  67.  83.  99. 115. 131. 147. 163. 179. 195. 211.
-  227. 243.]
- [  4.  20.  36.  52.  68.  84. 100. 116. 132. 148. 164. 180. 196. 212.
-  228. 244.]
- [  5.  21.  37.  53.  69.  85. 101. 117. 133. 149. 165. 181. 197. 213.
-  229. 245.]
- [  6.  22.  38.  54.  70.  86. 102. 118. 134. 150. 166. 182. 198. 214.
-  230. 246.]
- [  7.  23.  39.  55.  71.  87. 103. 119. 135. 151. 167. 183. 199. 215.
-  231. 247.]
- [  8.  24.  40.  56.  72.  88. 104. 120. 136. 152. 168. 184. 200. 216.
-  232. 248.]
- [  9.  25.  41.  57.  73.  89. 105. 121. 137. 153. 169. 185. 201. 217.
-  233. 249.]
- [ 10.  26.  42.  58.  74.  90. 106. 122. 138. 154. 170. 186. 202. 218.
-  234. 250.]
- [ 11.  27.  43.  59.  75.  91. 107. 123. 139. 155. 171. 187. 203. 219.
-  235. 251.]
- [ 12.  28.  44.  60.  76.  92. 108. 124. 140. 156. 172. 188. 204. 220.
-  236. 252.]
- [ 13.  29.  45.  61.  77.  93. 109. 125. 141. 157. 173. 189. 205. 221.
-  237. 253.]
- [ 14.  30.  46.  62.  78.  94. 110. 126. 142. 158. 174. 190. 206. 222.
-  238. 254.]
- [ 15.  31.  47.  63.  79.  95. 111. 127. 143. 159. 175. 191. 207. 223.
-  239. 255.]]
-
-- 增强接口调用示例，完成half类型的[N,C,H,W]->[N,H,W,C]转置。1234567891011121314151617181920212223242526272829303132333435363738394041424344454647484950515253545556575859606162636465666768697071727374#include"kernel_operator.h"template<typenameT>classKernel4dTrans{public:__aicore__inlineKernel4dTrans(){}__aicore__inlinevoidInit(__gm__uint8_t*srcGm,__gm__uint8_t*dstGm){inputSize=N*C*H*W;tmpBufferSize=(C+2)*16*16;srcGlobal.SetGlobalBuffer((__gm__T*)srcGm);dstGlobal.SetGlobalBuffer((__gm__T*)dstGm);pipe.InitBuffer(inQueueSrcVecIn,1,inputSize*sizeof(T));pipe.InitBuffer(inQueueSrcVecOut,1,inputSize*sizeof(T));pipe.InitBuffer(tmpQueue,1,tmpBufferSize*sizeof(T));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<T>srcLocal=inQueueSrcVecIn.AllocTensor<T>();AscendC::DataCopy(srcLocal,srcGlobal,inputSize);inQueueSrcVecIn.EnQue(srcLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<T>srcLocal=inQueueSrcVecIn.DeQue<T>();AscendC::LocalTensor<T>dstLocal=inQueueSrcVecOut.AllocTensor<T>();AscendC::LocalTensor<uint8_t>stackBuffer=tmpQueue.AllocTensor<uint8_t>();AscendC::TransposeParamsExttransposeParams;transposeParams.nSize=N;transposeParams.cSize=C;transposeParams.hSize=H;transposeParams.wSize=W;transposeParams.transposeType=transposeType;AscendC::Transpose(dstLocal,srcLocal,stackBuffer,transposeParams);inQueueSrcVecOut.EnQue<T>(dstLocal);inQueueSrcVecIn.FreeTensor(srcLocal);tmpQueue.FreeTensor(stackBuffer);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<T>dstLocal=inQueueSrcVecOut.DeQue<T>();AscendC::DataCopy(dstGlobal,dstLocal,inputSize);inQueueSrcVecOut.FreeTensor(dstLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrcVecIn;AscendC::TQue<AscendC::TPosition::VECOUT,1>inQueueSrcVecOut;AscendC::TQue<AscendC::TPosition::VECCALC,1>tmpQueue;AscendC::GlobalTensor<T>srcGlobal;AscendC::GlobalTensor<T>dstGlobal;uint32_tN=3;uint32_tC=3;uint32_tH=2;uint32_tW=8;uint32_tinputSize,tmpBufferSize;AscendC::TransposeTypetransposeType=AscendC::TransposeType::TRANSPOSE_NCHW2NHWC;};extern"C"__global____aicore__voidtranspose_kernel(__gm__uint8_t*srcGm,__gm__uint8_t*dstGm){Kernel4dTrans<half>op;op.Init(srcGm,dstGm);op.Process();}