@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_0793.md

@@ -1,93 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0793
-title: "AscendC Sigmoid"
-type: api-definition
-vendor: ascend
-func_name: "Sigmoid"
-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_0793.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# Sigmoid-Sigmoid接口-激活函数-高阶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_0793
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0793.html
----
-
-# Sigmoid
-
-#### 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 | √ |
-
-#### 功能说明
-
-按元素做逻辑回归Sigmoid，计算公式如下 ：
-
-![](../images/atlasascendc_api_07_0793_img_001.png)
-
-![](../images/atlasascendc_api_07_0793_img_002.png)
-
-#### 函数原型
-
-- 通过sharedTmpBuffer入参传入临时空间源操作数Tensor全部/部分参与计算12template<typenameT,boolisReuseSource=false>__aicore__inlinevoidSigmoid(constLocalTensor<T>&dstTensor,constLocalTensor<T>&srcTensor,constLocalTensor<uint8_t>&sharedTmpBuffer,constuint32_tcalCount)源操作数Tensor全部参与计算12template<typenameT,boolisReuseSource=false>__aicore__inlinevoidSigmoid(constLocalTensor<T>&dstTensor,constLocalTensor<T>&srcTensor,constLocalTensor<uint8_t>&sharedTmpBuffer)
-
-- 接口框架申请临时空间源操作数Tensor全部/部分参与计算12template<typenameT,boolisReuseSource=false>__aicore__inlinevoidSigmoid(constLocalTensor<T>&dstTensor,constLocalTensor<T>&srcTensor,constuint32_tcalCount)源操作数Tensor全部参与计算12template<typenameT,boolisReuseSource=false>__aicore__inlinevoidSigmoid(constLocalTensor<T>&dstTensor,constLocalTensor<T>&srcTensor)
-
-由于该接口的内部实现中涉及复杂的数学计算，需要额外的临时空间来存储计算过程中的中间变量。临时空间支持接口框架申请和开发者通过sharedTmpBuffer入参传入两种方式。
-
-- 接口框架申请临时空间，开发者无需申请，但是需要预留临时空间的大小。
-
-- 通过sharedTmpBuffer入参传入，使用该tensor作为临时空间进行处理，接口框架不再申请。该方式开发者可以自行管理sharedTmpBuffer内存空间，并在接口调用完成后，复用该部分内存，内存不会反复申请释放，灵活性较高，内存利用率也较高。
-
-接口框架申请的方式，开发者需要预留临时空间；通过sharedTmpBuffer传入的情况，开发者需要为sharedTmpBuffer申请空间。临时空间大小BufferSize的获取方式如下：通过GetSigmoidMaxMinTmpSize中提供的接口获取需要预留空间的范围大小。
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 操作数的数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。Atlas 训练系列产品，支持的数据类型为：half、float。 |
-| isReuseSource | 是否允许修改源操作数。该参数预留，传入默认值false即可。 |
-
-| 参数名 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| dstTensor | 输出 | 目的操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| srcTensor | 输入 | 源操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。源操作数的数据类型需要与目的操作数保持一致。 |
-| sharedTmpBuffer | 输入 | 临时缓存。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。用于Sigmoid内部复杂计算时存储中间变量，由开发者提供。临时空间大小BufferSize的获取方式请参考GetSigmoidMaxMinTmpSize。 |
-| calCount | 输入 | 参与计算的元素个数。 |
-
-#### 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。
-
-- 不支持源操作数与目的操作数地址重叠。
-- 不支持sharedTmpBuffer与源操作数和目的操作数地址重叠。
-
-#### 调用示例
-
-| 123456 | AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECCALC,1>tmpQue;pipe.InitBuffer(tmpQue,1,bufferSize);// bufferSize 通过Host侧tiling参数获取AscendC::LocalTensor<uint8_t>sharedTmpBuffer=tmpQue.AllocTensor<uint8_t>();// 输入shape信息为1024, 算子输入的数据类型为half, 实际计算个数为512AscendC::Sigmoid(dstLocal,srcLocal,sharedTmpBuffer,512); |
-| --- | --- |
-
-| 123 | 输入数据(srcLocal):[1.7626167.9542747...7.83061466.3167496]输出数据(dstLocal):[0.8535370.996489...0.9960270.998197] |
-| --- | --- |

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_0842.md

@@ -1,90 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0842
-title: "AscendC Sort"
-type: api-definition
-vendor: ascend
-func_name: "Sort"
-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_0842.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- sort-select
-confidence: source-reported
-evidence_level: spec
----
-# Sort-排序操作-高阶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_0842
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0842.html
----
-
-# Sort
-
-#### 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
-
-排序函数，按照数值大小进行降序排序。排序后的数据按照如下排布方式进行保存：
-
-Atlas A3 训练系列产品/Atlas A3 推理系列产品采用方式一。
-
-Atlas A2 训练系列产品/Atlas A2 推理系列产品采用方式一。
-
-Atlas 推理系列产品AI Core采用方式二。
-
-- 排布方式一：一次迭代可以完成32个数的排序，排序好的score与其对应的index一起以（score, index）的结构存储在dst中。不论score为half还是float类型，dst中的（score, index）结构总是占据8Bytes空间。如下所示：当score为float，index为uint32类型时，计算结果中index存储在高4Bytes，score存储在低4Bytes。当score为half，index为uint32类型时，计算结果中index存储在高4Bytes，score存储在低2Bytes， 中间的2Bytes保留。
-
-- 排布方式二：Region Proposal排布输入输出数据均为Region Proposal，一次迭代可以完成16个region proposal的排序。每个Region Proposal占用连续8个half/float类型的元素，约定其格式：1[x1,y1,x2,y2,score,label,reserved_0,reserved_1]对于数据类型half，每一个Region Proposal占16Bytes，Byte[15:12]是无效数据，Byte[11:0]包含6个half类型的元素，其中Byte[11:10]定义为label，Byte[9:8]定义为score，Byte[7:6]定义为y2，Byte[5:4]定义为x2，Byte[3:2]定义为y1，Byte[1:0]定义为x1。如下图所示，总共包含16个Region Proposals。对于数据类型float，每一个Region Proposal占32Bytes，Byte[31:24]是无效数据，Byte[23:0]包含6个float类型的元素，其中Byte[23:20]定义为label，Byte[19:16]定义为score，Byte[15:12]定义为y2，Byte[11:8]定义为x2，Byte[7:4]定义为y1，Byte[3:0]定义为x1。如下图所示，总共包含16个Region Proposals。
-
-#### 函数原型
-
-| 12 | template<typenameT,boolisFullSort>__aicore__inlinevoidSort(constLocalTensor<T>&dst,constLocalTensor<T>&concat,constLocalTensor<uint32_t>&index,LocalTensor<T>&tmp,constint32_trepeatTime) |
-| --- | --- |
-
-#### 参数说明
-
-| 参数名 | 含义 |
-| --- | --- |
-| T | 操作数的数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-| isFullSort | 是否开启全排序模式。全排序模式指将全部输入降序排序，非全排序模式下，排序方式请参考表2中的repeatTime说明。 |
-
-| 参数名称 | 输入/输出 | 含义 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数，shape为[2n]。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。 |
-| concat | 输入 | 源操作数，即接口功能说明中的score，shape为[n]。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。此源操作数的数据类型需要与目的操作数保持一致。 |
-| index | 输入 | 源操作数，shape为[n]。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。此源操作数固定为uint32_t数据类型。 |
-| tmp | 输入 | 临时空间。接口内部复杂计算时用于存储中间变量，由开发者提供，临时空间大小BufferSize的获取方式请参考GetSortTmpSize。数据类型与源操作数保持一致。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。 |
-| repeatTime | 输入 | 重复迭代次数，int32_t类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品：每次迭代完成32个元素的排序，下次迭代concat和index各跳过32个elements，dst跳过32*8 Byte空间。取值范围：repeatTime∈[0,255]。Atlas A2 训练系列产品/Atlas A2 推理系列产品：每次迭代完成32个元素的排序，下次迭代concat和index各跳过32个elements，dst跳过32*8 Byte空间。取值范围：repeatTime∈[0,255]。Atlas 推理系列产品AI Core：每次迭代完成16个region proposal的排序，下次迭代concat和dst各跳过16个region proposal。取值范围：repeatTime∈[0,255]。 |
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 当存在score[i]与score[j]相同时，如果i>j，则score[j]将首先被选出来，排在前面，即index的顺序与输入顺序一致。
-- 非全排序模式下，每次迭代内的数据会进行排序，不同迭代间的数据不会进行排序。
-- 操作数地址对齐要求请参见通用地址对齐约束。
-
-#### 调用示例
-
-算子样例工程请通过sort链接获取。
-
-- 处理128个half类型数据。该样例适用于：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123456uint32_telementCount=128;uint32_tm_sortRepeatTimes=m_elementCount/32;uint32_tm_extractRepeatTimes=m_elementCount/32;AscendC::Concat(concatLocal,valueLocal,concatTmpLocal,m_concatRepeatTimes);AscendC::Sort<T,isFullSort>(sortedLocal,concatLocal,indexLocal,sortTmpLocal,m_sortRepeatTimes);AscendC::Extract(dstValueLocal,dstIndexLocal,sortedLocal,m_extractRepeatTimes);123456789101112131415示例结果输入数据（srcValueGm）:128个half类型数据[313029...210636261...343332959493...666564127126125...989796]输入数据（srcIndexGm）:[313029...210636261...343332959493...666564127126125...989796]输出数据（dstValueGm）:[127126125...210]输出数据（dstIndexGm）:[127126125...210]
-- 处理64个half类型数据。该样例适用于：Atlas 推理系列产品AI Core123456uint32_telementCount=64;uint32_tm_sortRepeatTimes=m_elementCount/16;uint32_tm_extractRepeatTimes=m_elementCount/16;AscendC::Concat(concatLocal,valueLocal,concatTmpLocal,m_concatRepeatTimes);AscendC::Sort<T,isFullSort>(sortedLocal,concatLocal,indexLocal,sortTmpLocal,m_sortRepeatTimes);AscendC::Extract(dstValueLocal,dstIndexLocal,sortedLocal,m_extractRepeatTimes);123456789101112131415示例结果输入数据（srcValueGm）:64个half类型数据[151413...210313029...181716474645...343332636261...504948]输入数据（srcIndexGm）:[151413...210313029...181716474645...343332636261...504948]输出数据（dstValueGm）:[636261...210]输出数据（dstIndexGm）:[636261...210]

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_0847.md

@@ -1,98 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0847
-title: "AscendC MrgSort"
-type: api-definition
-vendor: ascend
-func_name: "MrgSort"
-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_0847.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-- sort-select
-confidence: source-reported
-evidence_level: spec
----
-# MrgSort-排序操作-高阶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_0847
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0847.html
----
-
-# MrgSort
-
-#### 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
-
-将已经排好序的最多4条队列，合并排列成1条队列，结果按照score域由大到小排序，排布方式如下：
-
-Atlas A3 训练系列产品/Atlas A3 推理系列产品采用方式一。
-
-Atlas A2 训练系列产品/Atlas A2 推理系列产品采用方式一。
-
-Atlas 推理系列产品AI Core采用方式二。
-
-- 排布方式一：MrgSort处理的数据一般是经过Sort处理后的数据，也就是Sort接口的输出，队列的结构如下所示：数据类型为float，每个结构占据8Bytes。数据类型为half，每个结构也占据8Bytes，中间有2Bytes保留。
-
-- 排布方式二：Region Proposal排布输入输出数据均为Region Proposal，具体请参见Sort中的排布方式二。
-
-#### 函数原型
-
-| 12 | template<typenameT,boolisExhaustedSuspension=false>__aicore__inlinevoidMrgSort(constLocalTensor<T>&dst,constMrgSortSrcList<T>&sortList,constuint16_telementCountList[4],uint32_tsortedNum[4],uint16_tvalidBit,constint32_trepeatTime) |
-| --- | --- |
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 操作数的数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-| isExhaustedSuspension | 某条队列耗尽（即该队列已经全部排序到目的操作数）后，是否需要停止合并。类型为bool，参数取值如下：false：直到所有队列耗尽完才停止合并。true：某条队列耗尽后，停止合并。默认值为false。 |
-
-| 参数名 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数，存储经过排序后的数据。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| sortList | 输入 | 源操作数，支持2-4个队列，并且每个队列都已经排好序，类型为MrgSortSrcList结构体，具体请参考表3。MrgSortSrcList中传入要合并的队列。1234567template<typenameT>structMrgSortSrcList{LocalTensor<T>src1;LocalTensor<T>src2;LocalTensor<T>src3;// 当要合并的队列个数小于3，可以为空tensorLocalTensor<T>src4;// 当要合并的队列个数小于4，可以为空tensor}; | 1234567 | template<typenameT>structMrgSortSrcList{LocalTensor<T>src1;LocalTensor<T>src2;LocalTensor<T>src3;// 当要合并的队列个数小于3，可以为空tensorLocalTensor<T>src4;// 当要合并的队列个数小于4，可以为空tensor}; |
-| 1234567 | template<typenameT>structMrgSortSrcList{LocalTensor<T>src1;LocalTensor<T>src2;LocalTensor<T>src3;// 当要合并的队列个数小于3，可以为空tensorLocalTensor<T>src4;// 当要合并的队列个数小于4，可以为空tensor}; |
-| elementCountList | 输入 | 四个源队列的长度（排序方式一：8Bytes结构的数目，排序方式二：16*sizeof(T)Bytes结构的数目），类型为长度为4的uint16_t数据类型的数组，理论上每个元素取值范围[0, 4095]，但不能超出UB的存储空间。 |
-| sortedNum | 输出 | 耗尽模式下（即isExhaustedSuspension为true时），停止合并时每个队列已排序的元素个数。 |
-| validBit | 输入 | 有效队列个数，取值如下：0b11：前两条队列有效0b111：前三条队列有效0b1111：四条队列全部有效 |
-| repeatTime | 输入 | 迭代次数，每一次源操作数和目的操作数跳过四个队列总长度。取值范围：repeatTime∈[1,255]。repeatTime参数生效是有条件的，需要同时满足以下四个条件：srcLocal包含四条队列并且validBit=15四个源队列的长度一致四个源队列连续存储isExhaustedSuspension为false |
-
-| 参数名称 | 输入/输出 | 含义 |
-| --- | --- | --- |
-| src1 | 输入 | 源操作数，第一个已经排好序的队列。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。数据类型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，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-| src2 | 输入 | 源操作数，第二个已经排好序的队列。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。数据类型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，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-| src3 | 输入 | 源操作数，第三个已经排好序的队列。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。数据类型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，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-| src4 | 输入 | 源操作数，第四个已经排好序的队列。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。数据类型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，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 当存在score[i]与score[j]相同时，如果i>j，则score[j]将首先被选出来，排在前面，即index的顺序与输入顺序一致。
-- 每次迭代内的数据会进行排序，不同迭代间的数据不会进行排序。
-- 操作数地址对齐要求请参见通用地址对齐约束。
-
-#### 调用示例
-
-- 处理128个half类型数据。该样例适用于：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123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111#include"kernel_operator.h"template<typenameT>classFullSort{public:__aicore__inlineFullSort(){}__aicore__inlinevoidInit(__gm__uint8_t*srcValueGm,__gm__uint8_t*srcIndexGm,__gm__uint8_t*dstValueGm,__gm__uint8_t*dstIndexGm){concatRepeatTimes=elementCount/16;inBufferSize=elementCount*sizeof(uint32_t);outBufferSize=elementCount*sizeof(uint32_t);calcBufferSize=elementCount*8;tmpBufferSize=elementCount*8;sortedLocalSize=elementCount*4;sortRepeatTimes=elementCount/32;extractRepeatTimes=elementCount/32;sortTmpLocalSize=elementCount*4;valueGlobal.SetGlobalBuffer((__gm__T*)srcValueGm);indexGlobal.SetGlobalBuffer((__gm__uint32_t*)srcIndexGm);dstValueGlobal.SetGlobalBuffer((__gm__T*)dstValueGm);dstIndexGlobal.SetGlobalBuffer((__gm__uint32_t*)dstIndexGm);pipe.InitBuffer(queIn,2,inBufferSize);pipe.InitBuffer(queOut,2,outBufferSize);pipe.InitBuffer(queCalc,1,calcBufferSize*sizeof(T));pipe.InitBuffer(queTmp,2,tmpBufferSize*sizeof(T));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<T>valueLocal=queIn.AllocTensor<T>();AscendC::DataCopy(valueLocal,valueGlobal,elementCount);queIn.EnQue(valueLocal);AscendC::LocalTensor<uint32_t>indexLocal=queIn.AllocTensor<uint32_t>();AscendC::DataCopy(indexLocal,indexGlobal,elementCount);queIn.EnQue(indexLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<T>valueLocal=queIn.DeQue<T>();AscendC::LocalTensor<uint32_t>indexLocal=queIn.DeQue<uint32_t>();AscendC::LocalTensor<T>sortedLocal=queCalc.AllocTensor<T>();AscendC::LocalTensor<T>concatTmpLocal=queTmp.AllocTensor<T>();AscendC::LocalTensor<T>sortTmpLocal=queTmp.AllocTensor<T>();AscendC::LocalTensor<T>dstValueLocal=queOut.AllocTensor<T>();AscendC::LocalTensor<uint32_t>dstIndexLocal=queOut.AllocTensor<uint32_t>();AscendC::LocalTensor<T>concatLocal;AscendC::Concat(concatLocal,valueLocal,concatTmpLocal,concatRepeatTimes);AscendC::Sort<T,false>(sortedLocal,concatLocal,indexLocal,sortTmpLocal,sortRepeatTimes);uint32_tsingleMergeTmpElementCount=elementCount/4;uint32_tbaseOffset=AscendC::GetSortOffset<T>(singleMergeTmpElementCount);AscendC::MrgSortSrcListsortList=AscendC::MrgSortSrcList(sortedLocal[0],sortedLocal[baseOffset],sortedLocal[2*baseOffset],sortedLocal[3*baseOffset]);uint16_tsingleDataSize=elementCount/4;constuint16_telementCountList[4]={singleDataSize,singleDataSize,singleDataSize,singleDataSize};uint32_tsortedNum[4];AscendC::MrgSort<T,false>(sortTmpLocal,sortList,elementCountList,sortedNum,0b1111,1);AscendC::Extract(dstValueLocal,dstIndexLocal,sortTmpLocal,extractRepeatTimes);queTmp.FreeTensor(concatTmpLocal);queTmp.FreeTensor(sortTmpLocal);queIn.FreeTensor(valueLocal);queIn.FreeTensor(indexLocal);queCalc.FreeTensor(sortedLocal);queOut.EnQue(dstValueLocal);queOut.EnQue(dstIndexLocal);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<T>dstValueLocal=queOut.DeQue<T>();AscendC::LocalTensor<uint32_t>dstIndexLocal=queOut.DeQue<uint32_t>();AscendC::DataCopy(dstValueGlobal,dstValueLocal,elementCount);AscendC::DataCopy(dstIndexGlobal,dstIndexLocal,elementCount);queOut.FreeTensor(dstValueLocal);queOut.FreeTensor(dstIndexLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,2>queIn;AscendC::TQue<AscendC::TPosition::VECOUT,2>queOut;AscendC::TQue<AscendC::TPosition::VECIN,2>queTmp;AscendC::TQue<AscendC::TPosition::VECIN,1>queCalc;AscendC::GlobalTensor<T>valueGlobal;AscendC::GlobalTensor<uint32_t>indexGlobal;AscendC::GlobalTensor<T>dstValueGlobal;AscendC::GlobalTensor<uint32_t>dstIndexGlobal;uint32_telementCount=128;uint32_tconcatRepeatTimes;uint32_tinBufferSize;uint32_toutBufferSize;uint32_tcalcBufferSize;uint32_ttmpBufferSize;uint32_tsortedLocalSize;uint32_tsortTmpLocalSize;uint32_tsortRepeatTimes;uint32_textractRepeatTimes;};extern"C"__global____aicore__voidsort_operator(__gm__uint8_t*src0Gm,__gm__uint8_t*src1Gm,__gm__uint8_t*dst0Gm,__gm__uint8_t*dst1Gm){FullSort<half>op;op.Init(src0Gm,src1Gm,dst0Gm,dst1Gm);op.Process();}123456789101112131415示例结果输入数据(srcValueGm):128个float类型数据[313029...210636261...343332959493...666564127126125...989796]输入数据(srcIndexGm):[313029...210636261...343332959493...666564127126125...989796]输出数据(dstValueGm):[127126125...210]输出数据(dstIndexGm):[127126125...210]
-
-- 处理64个half类型数据。该样例适用于：Atlas 推理系列产品AI Core123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112113114#include"kernel_operator.h"template<typenameT>classFullSort{public:__aicore__inlineFullSort(){}__aicore__inlinevoidInit(__gm__uint8_t*srcValueGm,__gm__uint8_t*srcIndexGm,__gm__uint8_t*dstValueGm,__gm__uint8_t*dstIndexGm){concatRepeatTimes=elementCount/16;inBufferSize=elementCount*sizeof(uint32_t);outBufferSize=elementCount*sizeof(uint32_t);calcBufferSize=elementCount*8;tmpBufferSize=elementCount*8;sortedLocalSize=elementCount*8*sizeof(T);sortRepeatTimes=elementCount/16;extractRepeatTimes=elementCount/16;sortTmpLocalSize=elementCount*8*sizeof(T);valueGlobal.SetGlobalBuffer((__gm__T*)srcValueGm);indexGlobal.SetGlobalBuffer((__gm__uint32_t*)srcIndexGm);dstValueGlobal.SetGlobalBuffer((__gm__T*)dstValueGm);dstIndexGlobal.SetGlobalBuffer((__gm__uint32_t*)dstIndexGm);pipe.InitBuffer(queIn,2,inBufferSize);pipe.InitBuffer(queOut,2,outBufferSize);pipe.InitBuffer(queCalc,1,calcBufferSize*sizeof(T));pipe.InitBuffer(queTmp,2,tmpBufferSize*sizeof(T));}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<T>valueLocal=queIn.AllocTensor<T>();AscendC::DataCopy(valueLocal,valueGlobal,elementCount);queIn.EnQue(valueLocal);AscendC::LocalTensor<uint32_t>indexLocal=queIn.AllocTensor<uint32_t>();AscendC::DataCopy(indexLocal,indexGlobal,elementCount);queIn.EnQue(indexLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<T>valueLocal=queIn.DeQue<T>();AscendC::LocalTensor<uint32_t>indexLocal=queIn.DeQue<uint32_t>();AscendC::LocalTensor<T>sortedLocal=queCalc.AllocTensor<T>();AscendC::LocalTensor<T>concatTmpLocal=queTmp.AllocTensor<T>();AscendC::LocalTensor<T>sortTmpLocal=queTmp.AllocTensor<T>();AscendC::LocalTensor<T>dstValueLocal=queOut.AllocTensor<T>();AscendC::LocalTensor<uint32_t>dstIndexLocal=queOut.AllocTensor<uint32_t>();AscendC::LocalTensor<T>concatLocal;AscendC::Concat(concatLocal,valueLocal,concatTmpLocal,concatRepeatTimes);AscendC::Sort<T,false>(sortedLocal,concatLocal,indexLocal,sortTmpLocal,sortRepeatTimes);uint32_tsingleMergeTmpElementCount=elementCount/4;uint32_tbaseOffset=AscendC::GetSortOffset<T>(singleMergeTmpElementCount);AscendC::MrgSortSrcListsortList=AscendC::MrgSortSrcList(sortedLocal[0],sortedLocal[baseOffset],sortedLocal[2*baseOffset],sortedLocal[3*baseOffset]);uint16_tsingleDataSize=elementCount/4;constuint16_telementCountList[4]={singleDataSize,singleDataSize,singleDataSize,singleDataSize};uint32_tsortedNum[4];AscendC::MrgSort<T,false>(sortTmpLocal,sortList,elementCountList,sortedNum,0b1111,1);AscendC::Extract(dstValueLocal,dstIndexLocal,sortTmpLocal,extractRepeatTimes);queTmp.FreeTensor(concatTmpLocal);queTmp.FreeTensor(sortTmpLocal);queIn.FreeTensor(valueLocal);queIn.FreeTensor(indexLocal);queCalc.FreeTensor(sortedLocal);queOut.EnQue(dstValueLocal);queOut.EnQue(dstIndexLocal);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<T>dstValueLocal=queOut.DeQue<T>();AscendC::LocalTensor<uint32_t>dstIndexLocal=queOut.DeQue<uint32_t>();AscendC::DataCopy(dstValueGlobal,dstValueLocal,elementCount);AscendC::DataCopy(dstIndexGlobal,dstIndexLocal,elementCount);queOut.FreeTensor(dstValueLocal);queOut.FreeTensor(dstIndexLocal);}private:AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,2>queIn;AscendC::TQue<AscendC::TPosition::VECOUT,2>queOut;AscendC::TQue<AscendC::TPosition::VECIN,2>queTmp;AscendC::TQue<AscendC::TPosition::VECIN,1>queCalc;AscendC::GlobalTensor<T>valueGlobal;AscendC::GlobalTensor<uint32_t>indexGlobal;AscendC::GlobalTensor<T>dstValueGlobal;AscendC::GlobalTensor<uint32_t>dstIndexGlobal;uint32_telementCount=64;uint32_tconcatRepeatTimes;uint32_tinBufferSize;uint32_toutBufferSize;uint32_tcalcBufferSize;uint32_ttmpBufferSize;uint32_tsortedLocalSize;uint32_tsortTmpLocalSize;uint32_tsortRepeatTimes;uint32_textractRepeatTimes;};extern"C"__global____aicore__voidsort_operator(__gm__uint8_t*src0Gm,__gm__uint8_t*src1Gm,__gm__uint8_t*dst0Gm,__gm__uint8_t*dst1Gm){FullSort<half>op;op.Init(src0Gm,src1Gm,dst0Gm,dst1Gm);op.Process();}123456789101112131415示例结果输入数据(srcValueGm):128个float类型数据[151413...210313029...181716474645...343332636261...504948]输入数据(srcIndexGm):[151413...210313029...181716474645...343332636261...504948]输出数据(dstValueGm):[636261...210]输出数据(dstIndexGm):[636261...210]

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_0853.md

@@ -1,112 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0853
-title: "AscendC Broadcast"
-type: api-definition
-vendor: ascend
-func_name: "Broadcast"
-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_0853.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# Broadcast-张量变换-高阶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_0853
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0853.html
----
-
-# Broadcast
-
-#### 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
-
-将输入按照输出shape进行广播。
-
-比如A的shape为(2,1)，广播的目标shape为(2,16)，则会将原来的一列扩展为相同的16列。
-
-| 123456 | 输入数据：[[1][2]]输出数据：[[1111111111111111][2222222222222222]] |
-| --- | --- |
-
-#### 实现原理
-
-以float类型，ND格式，[m, 1]广播到[m, k]为例，描述Broadcast高阶API内部算法框图，如下图所示。
-
-![](../images/atlasascendc_api_07_0853_img_001.png)
-
-计算过程分为如下几步，均在Vector上进行：
-
-1. brcb步骤：将每个元素广播为一个datablock；
-1. Copy步骤：将每个datablock均复制为多个datablock，k对齐场景下即为结果y；
-1. 对于k非对齐的场景，再使用GatherMask截取[m, k]个元素， 其中k'表示k向上对齐32B的大小。
-
-#### 函数原型
-
-- 通过sharedTmpBuffer入参传入临时空间12template<typenameT,int32_tdim,int32_taxis,boolisReuseSource=false>__aicore__inlinevoidBroadcast(constLocalTensor<T>&dstLocal,constLocalTensor<T>&srcLocal,constuint32_tdstShape[dim],constuint32_tsrcShape[dim],LocalTensor<uint8_t>&sharedTmpBuffer)
-
-- 接口框架申请临时空间12template<typenameT,int32_tdim,int32_taxis,boolisReuseSource=false>__aicore__inlinevoidBroadcast(constLocalTensor<T>&dstLocal,constLocalTensor<T>&srcLocal,constuint32_tdstShape[dim],constuint32_tsrcShape[dim])
-
-该接口需要额外的临时空间来存储计算过程中的中间变量。临时空间支持开发者通过sharedTmpBuffer入参传入和接口框架申请两种方式。
-
-- 通过sharedTmpBuffer入参传入，使用该tensor作为临时空间进行处理，接口框架不再申请。该方式开发者可以自行管理sharedTmpBuffer内存空间，并在接口调用完成后，复用该部分内存，内存不会反复申请释放，灵活性较高，内存利用率也较高。
-- 接口框架申请临时空间，开发者无需申请，但是需要预留临时空间的大小。
-
-通过sharedTmpBuffer传入的情况，开发者需要为tensor申请空间；接口框架申请的方式，开发者需要预留临时空间。临时空间大小BufferSize的获取方式如下：通过GetBroadCastMaxMinTmpSize中提供的接口获取需要预留空间范围的大小。
-
-#### 参数说明
-
-| 参数名称 | 功能 |
-| --- | --- |
-| T | 操作数的数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：int8_t、uint8_t、half、float。Atlas 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、half、float。Atlas 推理系列产品AI Core，支持的数据类型为：int8_t、uint8_t、half、float。 |
-| dim | 输入/输出tensor的维度，目前仅支持1维和2维。 |
-| axis | 要广播的维度，目前仅支持0和1。 |
-| isReuseSource | 是否允许修改源操作数。该参数预留，传入默认值false即可。 |
-
-| 参数名称 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| dstLocal | 输出 | 目的操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| srcLocal | 输入 | 源操作数。源操作数的数据类型需要与目的操作数保持一致。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| dstShape | 输入 | 输出tensor的shape：uint32_t类型的数组，长度为1或者2， 输入/输出的shape维度数目必须一致。 |
-| srcShape | 输入 | 输入tensor的shape：uint32_t类型的数组，长度为1或者2， 输入/输出的shape维度数目必须一致。 |
-| sharedTmpBuffer | 输入 | 临时缓存。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。用于Broadcast内部复杂计算时存储中间变量，由开发者提供。临时空间大小BufferSize的获取方式请参考GetBroadCastMaxMinTmpSize。 |
-
-#### 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。
-- 不支持源操作数与目的操作数地址重叠。
-- 当前仅支持ND格式的输入，不支持其他格式。
-- dim目前仅支持1或者2， axis目前仅支持0或者1。
-- 对于Atlas 推理系列产品AI Core，在dim=2，axis=1时，srcShape[0]必须为32B对齐。
-- 在dim=2，axis=0时，要求srcShape[1]必须32B对齐。
-
-#### 调用示例
-
-更多算子样例请参考broadcast算子样例。
-
-| 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758596061626364656667686970717273 | #include"kernel_operator.h"template<typenameT,int32_tdim,int32_taxis>classKernelBroadcast{public:__aicore__inlineKernelBroadcast(){}__aicore__inlinevoidInit(GM_ADDRsrcGm,GM_ADDRdstGm,constuint32_tdstShape[dim],constuint32_tsrcShape[dim]){for(uint32_ti=0;i<dim;i++){srcSize*=srcShape[i];dstSize*=dstShape[i];}srcGlobal.SetGlobalBuffer(reinterpret_cast<__gm__T*>(srcGm),srcSize);dstGlobal.SetGlobalBuffer(reinterpret_cast<__gm__T*>(dstGm),dstSize);pipe.InitBuffer(inQueueX,1,srcSize*sizeof(T));pipe.InitBuffer(outQueue,1,dstSize*sizeof(T));dstShape_=dstShape;srcShape_=srcShape;}__aicore__inlinevoidProcess(){CopyIn();Compute();CopyOut();}private:__aicore__inlinevoidCopyIn(){AscendC::LocalTensor<T>srcLocal=inQueueX.AllocTensor<T>();AscendC::DataCopy(srcLocal,srcGlobal,srcSize);inQueueX.EnQue(srcLocal);}__aicore__inlinevoidCompute(){AscendC::LocalTensor<T>dstLocal=outQueue.AllocTensor<T>();AscendC::LocalTensor<T>srcLocal=inQueueX.DeQue<T>();AscendC::Broadcast<T,dim,axis>(dstLocal,srcLocal,dstShape_,srcShape_);outQueue.EnQue<T>(dstLocal);inQueueX.FreeTensor(srcLocal);}__aicore__inlinevoidCopyOut(){AscendC::LocalTensor<T>dstLocal=outQueue.DeQue<T>();AscendC::DataCopy(dstGlobal,dstLocal,dstSize);outQueue.FreeTensor(dstLocal);}private:AscendC::GlobalTensor<T>srcGlobal;AscendC::GlobalTensor<T>dstGlobal;AscendC::TPipepipe;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueX;AscendC::TQue<AscendC::TPosition::VECOUT,1>outQueue;constuint32_t*dstShape_{nullptr};constuint32_t*srcShape_{nullptr};int32_tsrcSize{1};int32_tdstSize{1};};template<typenameT,int32_tdim,int32_taxis>__aicore__voidkernel_broadcast_operator(GM_ADDRsrcGm,GM_ADDRdstGm,constuint32_tdstShape[dim],constuint32_tsrcShape[dim]){KernelBroadcast<T,dim,axis>op;op.Init(srcGm,dstGm,dstShape,srcShape);op.Process();} |
-| --- | --- |
-
-| 123456789101112131415161718192021222324252627282930313233343536 | 输入数据（srcLocal）:[[1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16]]dim：2axis：1输出数据（dstLocal）:[[1111111111111111][2222222222222222][3333333333333333][4444444444444444][5555555555555555][6666666666666666][7777777777777777][8888888888888888][9999999999999999][10101010101010101010101010101010][11111111111111111111111111111111][12121212121212121212121212121212][13131313131313131313131313131313][14141414141414141414141414141414][15151515151515151515151515151515][16161616161616161616161616161616]] |
-| --- | --- |

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_0859.md

@@ -1,108 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0859
-title: "AscendC Select"
-type: api-definition
-vendor: ascend
-func_name: "Select"
-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_0859.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# Select-数据过滤-高阶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_0859
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0859.html
----
-
-# Select
-
-#### 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
-
-给定两个源操作数src0和src1，根据maskTensor相应位置的值（非bit位）选取元素，得到目的操作数dst。选择的规则为：当Mask的值为0时，从src0中选取，否则从src1选取。
-
-该接口支持多维Shape，需满足maskTensor和源操作数Tensor的前轴（非尾轴）元素个数相同，且maskTensor尾轴元素个数大于等于源操作数尾轴元素个数，maskTensor多余部分丢弃不参与计算。
-
-- maskTensor尾轴需32字节对齐且元素个数为16的倍数。
-- 源操作数Tensor尾轴需32字节对齐。
-
-如下图样例，源操作数src0为Tensor，shape为(2,16)，数据类型为half，尾轴长度满足32字节对齐；源操作数src1为scalar，数据类型为half；maskTensor的数据类型为bool，为满足对齐要求shape为(2,32)，仅有图中蓝色部分的mask掩码生效，灰色部分不参与计算。输出目的操作数dstTensor如下图所示。
-
-![](../images/atlasascendc_api_07_0859_img_001.png)
-
-#### 实现原理
-
-以float类型，ND格式，shape为[m, k1]的source输入Tensor，shape为[m, k2]的mask Tensor为例，描述Select高阶API内部算法框图，如下图所示。
-
-![](../images/atlasascendc_api_07_0859_img_002.png)
-
-计算过程分为如下几步，均在Vector上进行：
-
-1. GatherMask步骤：如果k1, k2不相等，则根据src的shape[m, k1]，对输入mask[m, k2]通过GatherMask进行reduce计算，使得mask的k轴多余部分被舍去，shape转换为[m, k1]；
-1. Cast步骤：将上一步的mask结果cast成half类型；
-1. Compare步骤：使用Compare接口将上一步的mask结果与0进行比较，得到cmpmask结果；
-1. Select步骤：根据cmpmask的结果，选择srcTensor相应位置的值或者scalar值，输出Output。
-
-#### 函数原型
-
-- src0为srcTensor（tensor类型），src1为srcScalar（scalar类型）12template<typenameT,typenameU,boolisReuseMask=true>__aicore__inlinevoidSelect(constLocalTensor<T>&dst,constLocalTensor<T>&src0,Tsrc1,constLocalTensor<U>&mask,constLocalTensor<uint8_t>&sharedTmpBuffer,constSelectWithBytesMaskShapeInfo&info)
-
-- src0为srcScalar（scalar类型），src1为srcTensor（tensor类型）12template<typenameT,typenameU,boolisReuseMask=true>__aicore__inlinevoidSelect(constLocalTensor<T>&dst,Tsrc0,constLocalTensor<T>&src1,constLocalTensor<U>&mask,constLocalTensor<uint8_t>&sharedTmpBuffer,constSelectWithBytesMaskShapeInfo&info)
-
-该接口需要额外的临时空间来存储计算过程中的中间变量。临时空间需要开发者申请并通过sharedTmpBuffer入参传入。临时空间大小BufferSize的获取方式如下：通过GetSelectMaxMinTmpSize中提供的接口获取需要预留空间范围的大小。
-
-#### 参数说明
-
-| 参数名 | 描述 |
-| --- | --- |
-| T | 操作数的数据类型。Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：half、float。Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、float。Atlas 推理系列产品AI Core，支持的数据类型为：half、float。 |
-| U | 掩码Tensor mask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、int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_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、int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t。Atlas 推理系列产品AI Core，支持的数据类型为：bool、int8_t、uint8_t、int16_t、uint16_t、int32_t、uint32_t。 |
-| isReuseMask | 是否允许修改maskTensor。默认为true。取值为true时，仅在maskTensor尾轴元素个数和srcTensor尾轴元素个数不同的情况下，maskTensor可能会被修改；其余场景，maskTensor不会修改。取值为false时，任意场景下，maskTensor均不会修改，但可能会需要更多的临时空间。 |
-
-| 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。 |
-| src0(srcTensor)src1(srcTensor) | 输入 | 源操作数。源操作数Tensor尾轴需32字节对齐。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| src1(srcScalar)src0(srcScalar) | 输入 | 源操作数。类型为scalar。 |
-| mask | 输入 | 掩码Tensor。用于描述如何选择srcTensor和srcScalar之间的值。maskTensor尾轴需32字节对齐且元素个数为16的倍数。src0为srcTensor（tensor类型），src1为srcScalar（scalar类型）若mask的值为0，选择srcTensor相应的值放入dstLocal，否则选择srcScalar的值放入dstLocal。src0为srcScalar（scalar类型），src1为srcTensor（tensor类型）若mask的值为0，选择srcScalar的值放入dstLocal，否则选择srcTensor相应的值放入dstLocal。 |
-| sharedTmpBuffer | 输入 | 该API用于计算的临时空间，所需空间大小根据GetSelectMaxMinTmpSize获取。 |
-| info | 输入 | 描述SrcTensor和maskTensor的shape信息。SelectWithBytesMaskShapeInfo类型，定义如下：123456structSelectWithBytesMaskShapeInfo{__aicore__SelectShapeInfo(){};uint32_tfirstAxis=0;uint32_tsrcLastAxis=0;uint32_tmaskLastAxis=0;};firstAxis：srcLocal/maskTensor的前轴元素个数。srcLastAxis：srcLocal的尾轴元素个数。maskLastAxis：maskTensor的尾轴元素个数。注意：需要满足srcTensor和maskTensor的前轴元素个数相同，均为firstAxis。需要满足firstAxis * srcLastAxis = srcTensor.GetSize() ；firstAxis * maskLastAxis = maskTensor.GetSize()。maskTensor尾轴的元素个数大于等于srcTensor尾轴的元素个数，计算时会丢弃maskTensor多余部分，不参与计算。 | 123456 | structSelectWithBytesMaskShapeInfo{__aicore__SelectShapeInfo(){};uint32_tfirstAxis=0;uint32_tsrcLastAxis=0;uint32_tmaskLastAxis=0;}; |
-| 123456 | structSelectWithBytesMaskShapeInfo{__aicore__SelectShapeInfo(){};uint32_tfirstAxis=0;uint32_tsrcLastAxis=0;uint32_tmaskLastAxis=0;}; |
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-- 源操作数与目的操作数可以复用。
-- 操作数地址对齐要求请参见通用地址对齐约束。
-- maskTensor尾轴元素个数和源操作数尾轴元素个数不同的情况下， maskTensor的数据有可能被接口改写。
-
-#### 调用示例
-
-| 123456789 | AscendC::SelectWithBytesMaskShapeInfoinfo;srcLocal1=inQueueX1.DeQue<srcType>();maskLocal=maskQueue.DeQue<maskType>();AscendC::LocalTensor<uint8_t>tmpBuffer=sharedTmpBuffer.Get<uint8_t>();dstLocal=outQueue.AllocTensor<srcType>();AscendC::Select(dstLocal,srcLocal1,scalar,maskLocal,tmpBuffer,info);outQueue.EnQue<srcType>(dstLocal);maskQueue.FreeTensor(maskLocal);inQueueX1.FreeTensor(srcLocal1); |
-| --- | --- |
-
-| 12345678910111213141516171819202122 | 输入数据srcLocal1:[-84.6-24.3830.97-30.2522.28-92.5690.44-58.72-86.565.746.754-86.3-96.7-37.38-81.946.9-99.494.2-41.78-60.3-14.4378.68.93-65.279.94-46.884.51620.03-25.5624.730.322321.98-87.4-93.946.22-69.990.8-24.17-96.2-91.90.449.76668.25-57.78-75.44-8.86-91.5621.676.82.1-78.-23.7592.-66.4475.94.92.62-90.915.94538.1650.8496.94-59.3844.22]输入数据scalar:[35.6]输入数据maskLocal:[FalseTrueFalseFalseTrueTrueFalseTrueTrueFalseFalseTrueFalseTrueFalseTrueTrueFalseFalseFalseTrueTrueTrueTrueTrueFalseTrueFalseTrueTrueTrueTrueFalseFalseTrueFalseTrueFalseTrueFalseTrueFalseTrueFalseTrueTrueTrueFalseTrueFalseTrueFalseTrueFalseTrueTrueTrueFalseFalseFalseTrueFalseTrueTrue]输出数据dstLocal:[-84.635.630.97-30.2535.635.690.4435.635.65.746.75435.6-96.735.6-81.935.635.694.2-41.78-60.335.635.635.635.635.6-46.8835.620.0335.635.635.635.6-87.4-93.935.6-69.935.6-24.1735.6-91.35.69.76635.6-57.7835.635.635.621.635.682.135.6-23.7535.6-66.4435.635.635.6-90.915.94538.1635.696.9435.635.6] |
-| --- | --- |