@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_0861.md

@@ -1,108 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0861
-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_0861.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_0861
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0861.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] |
-| --- | --- |

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_0864.md

@@ -1,210 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0864
-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_0864.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# Transpose-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_0864
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0864.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 | 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
-
-对输入数据进行数据排布及Reshape操作，具体功能如下：
-
-【场景1：NZ2ND，1、2轴互换】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, N, H/N], origin_shape:[B, S, N, H/N], format:"ND", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_001.png)
-
-【场景2：NZ2NZ，1、2轴互换】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, H/N/16, N/16, 16, 16], origin_shape:[B, S, N, H/N], format:"NZ", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_002.png)
-
-【场景3：NZ2NZ，尾轴切分】
-
-输入Tensor { shape:[B, H / 16, S / 16, 16, 16], origin_shape:[B, S, H], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, N, H/N/16, S / 16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_003.png)
-
-【场景4：NZ2ND，尾轴切分】
-
-输入Tensor { shape:[B, H / 16, S / 16, 16, 16], origin_shape:[B, S, H], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, N, S, H/N], origin_shape:[B, N, S, H/N], format:"ND", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_004.png)
-
-【场景5：NZ2ND，尾轴合并】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, H], origin_shape:[B, S, H], format:"ND", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_005.png)
-
-【场景6：NZ2NZ，尾轴合并】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, H/16, S/16, 16, 16], origin_shape:[B, S, H], format:"NZ", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_006.png)
-
-【场景7：二维转置】
-
-支持在UB上对二维Tensor进行转置，其中srcShape中的H、W均是16的整倍。
-
-![](../images/atlasascendc_api_07_0865_img_007.png)
-
-#### 实现原理
-
-对应Transpose的7种功能场景，每种功能场景的算法框图如图所示。
-
-![](../images/atlasascendc_api_07_0865_img_008.png)
-
-计算过程分为如下几步：
-
-先后沿H/N方向，N方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：沿S方向转置S/16个连续的16*16的方形到temp中，在temp中每个方形与方形之间连续存储；
-1. 第2次TransDataTo5HD步骤：将temp中S/16个16*16的方形转置到dst中，在dst中是ND格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H/N)*N个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_009.png)
-
-计算过程分为如下几步：
-
-先后沿H/N方向，N方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：沿S方向分别取S/16个连续的16*16的方形到temp中，在temp中每个方形与方形之间连续存储；
-1. 第2次TransDataTo5HD步骤：将temp中S/16个16*16的方形转置到dst中，在dst中是NZ格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H/N)*N个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移N*16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_010.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置S/16个连续的16*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到temp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的16*S的方形转置到dst中，在dst中是NZ格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移S*16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_011.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置S/16个连续的16*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到tmp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的数据转置到dst中，在dst中是ND格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H/N+16-1)/16*16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移(H/N+16-1)/16*16*S个元素。
-
-![](../images/atlasascendc_api_07_0865_img_012.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置一个S*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到tmp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的16*S的方形转置到dst中，在dst中是ND格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H+16-1)/16*16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移H/N*S个元素。
-
-![](../images/atlasascendc_api_07_0865_img_013.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置一个S*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到tmp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的16*S的方形转置到dst中，在dst中是NZ格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移S*16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_014.png)
-
-计算过程如下：
-
-1. 调用TransDataTo5HD，通过设置不同的源操作数地址序列和目的操作数地址序列，将[H, W]转置为[W, H]，src和dst均是ND格式。
-
-#### 函数原型
-
-由于该接口的内部实现中涉及复杂的计算，需要额外的临时空间来存储计算过程中的中间变量。临时空间大小BufferSize的获取方法：通过Transpose Tiling中提供的GetTransposeMaxMinTmpSize接口获取所需最大和最小临时空间大小，最小空间可以保证功能正确，最大空间用于提升性能。
-
-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，因此Transpose接口的函数原型有两种：
-
-- 通过sharedTmpBuffer入参传入临时空间12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<uint8_t>&sharedTmpBuffer,TransposeTypetransposeType,ConfusionTransposeTiling&tiling)该方式下开发者需自行申请并管理临时内存空间，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12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src,TransposeTypetransposeType,ConfusionTransposeTiling&tiling)该方式下开发者无需申请，但是需要预留临时空间的大小。
-
-#### 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：int16_t、uint16_t、half、int32_t、uint32_t、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：int16_t、uint16_t、half、int32_t、uint32_t、float。Atlas 推理系列产品AI Core，支持的数据类型为：int16_t、uint16_t、half、int32_t、uint32_t、float。 |
-
-| 参数名 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数，LocalTensor数据结构的定义请参考LocalTensor。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| src | 输入 | 源操作数，LocalTensor数据结构的定义请参考LocalTensor。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| sharedTmpBuffer | 输入 | 共享缓冲区，用于存放API内部计算产生的临时数据。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。共享缓冲区大小的获取方式请参考Transpose Tiling。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| transposeType | 输入 | 数据排布及reshape的类型，类型为TransposeType枚举类。12345678910111213141516171819enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// default valueTRANSPOSE_NZ2ND_0213,// 场景1：NZ2ND，1、2轴互换TRANSPOSE_NZ2NZ_0213,// 场景2：NZ2NZ，1、2轴互换TRANSPOSE_NZ2NZ_012_WITH_N,// 场景3：NZ2NZ，尾轴切分TRANSPOSE_NZ2ND_012_WITH_N,// 场景4：NZ2ND，尾轴切分TRANSPOSE_NZ2ND_012_WITHOUT_N,// 场景5：NZ2ND，尾轴合并TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 场景6：NZ2NZ，尾轴合并TRANSPOSE_ND2ND_ONLY,// 场景7：二维转置TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// 当前不支持TRANSPOSE_NCHW2NHWC,// 当前不支持TRANSPOSE_NHWC2NCHW// 当前不支持}; | 12345678910111213141516171819 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// default valueTRANSPOSE_NZ2ND_0213,// 场景1：NZ2ND，1、2轴互换TRANSPOSE_NZ2NZ_0213,// 场景2：NZ2NZ，1、2轴互换TRANSPOSE_NZ2NZ_012_WITH_N,// 场景3：NZ2NZ，尾轴切分TRANSPOSE_NZ2ND_012_WITH_N,// 场景4：NZ2ND，尾轴切分TRANSPOSE_NZ2ND_012_WITHOUT_N,// 场景5：NZ2ND，尾轴合并TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 场景6：NZ2NZ，尾轴合并TRANSPOSE_ND2ND_ONLY,// 场景7：二维转置TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// 当前不支持TRANSPOSE_NCHW2NHWC,// 当前不支持TRANSPOSE_NHWC2NCHW// 当前不支持}; |
-| 12345678910111213141516171819 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// default valueTRANSPOSE_NZ2ND_0213,// 场景1：NZ2ND，1、2轴互换TRANSPOSE_NZ2NZ_0213,// 场景2：NZ2NZ，1、2轴互换TRANSPOSE_NZ2NZ_012_WITH_N,// 场景3：NZ2NZ，尾轴切分TRANSPOSE_NZ2ND_012_WITH_N,// 场景4：NZ2ND，尾轴切分TRANSPOSE_NZ2ND_012_WITHOUT_N,// 场景5：NZ2ND，尾轴合并TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 场景6：NZ2NZ，尾轴合并TRANSPOSE_ND2ND_ONLY,// 场景7：二维转置TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// 当前不支持TRANSPOSE_NCHW2NHWC,// 当前不支持TRANSPOSE_NHWC2NCHW// 当前不支持}; |
-| tiling | 输入 | 计算所需tiling信息，Tiling信息的获取请参考Transpose Tiling。 |
-
-#### 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。
-
-#### 调用示例
-
-本示例为场景1（NZ2ND，1、2轴互换）示例：
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape：[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, N, H/N], origin_shape:[B, S, N, H/N], format:"ND", origin_format:"ND"}
-
-B=1，N=2, S=64, H/N=32，输入数据类型均为half。
-
-| 123456 | AscendC::TPipe*pipe=pipeIn;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrcVecIn;AscendC::TQue<AscendC::TPosition::VECOUT,1>inQueueSrcVecOut;pipe->InitBuffer(inQueueSrcVecIn,1,b*n*s*hnDiv*sizeof(T));pipe->InitBuffer(inQueueSrcVecOut,1,b*n*s*hnDiv*sizeof(T));AscendC::Transpose(dst,src,AscendC::TransposeType::TRANSPOSE_NZ2ND_0213,this->tiling); |
-| --- | --- |

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_0865.md

@@ -1,210 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0865
-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_0865.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# Transpose-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_0865
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0865.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 | 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
-
-对输入数据进行数据排布及Reshape操作，具体功能如下：
-
-【场景1：NZ2ND，1、2轴互换】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, N, H/N], origin_shape:[B, S, N, H/N], format:"ND", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_001.png)
-
-【场景2：NZ2NZ，1、2轴互换】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, H/N/16, N/16, 16, 16], origin_shape:[B, S, N, H/N], format:"NZ", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_002.png)
-
-【场景3：NZ2NZ，尾轴切分】
-
-输入Tensor { shape:[B, H / 16, S / 16, 16, 16], origin_shape:[B, S, H], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, N, H/N/16, S / 16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_003.png)
-
-【场景4：NZ2ND，尾轴切分】
-
-输入Tensor { shape:[B, H / 16, S / 16, 16, 16], origin_shape:[B, S, H], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, N, S, H/N], origin_shape:[B, N, S, H/N], format:"ND", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_004.png)
-
-【场景5：NZ2ND，尾轴合并】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, H], origin_shape:[B, S, H], format:"ND", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_005.png)
-
-【场景6：NZ2NZ，尾轴合并】
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape:[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, H/16, S/16, 16, 16], origin_shape:[B, S, H], format:"NZ", origin_format:"ND"}
-
-![](../images/atlasascendc_api_07_0865_img_006.png)
-
-【场景7：二维转置】
-
-支持在UB上对二维Tensor进行转置，其中srcShape中的H、W均是16的整倍。
-
-![](../images/atlasascendc_api_07_0865_img_007.png)
-
-#### 实现原理
-
-对应Transpose的7种功能场景，每种功能场景的算法框图如图所示。
-
-![](../images/atlasascendc_api_07_0865_img_008.png)
-
-计算过程分为如下几步：
-
-先后沿H/N方向，N方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：沿S方向转置S/16个连续的16*16的方形到temp中，在temp中每个方形与方形之间连续存储；
-1. 第2次TransDataTo5HD步骤：将temp中S/16个16*16的方形转置到dst中，在dst中是ND格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H/N)*N个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_009.png)
-
-计算过程分为如下几步：
-
-先后沿H/N方向，N方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：沿S方向分别取S/16个连续的16*16的方形到temp中，在temp中每个方形与方形之间连续存储；
-1. 第2次TransDataTo5HD步骤：将temp中S/16个16*16的方形转置到dst中，在dst中是NZ格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H/N)*N个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移N*16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_010.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置S/16个连续的16*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到temp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的16*S的方形转置到dst中，在dst中是NZ格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移S*16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_011.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置S/16个连续的16*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到tmp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的数据转置到dst中，在dst中是ND格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H/N+16-1)/16*16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移(H/N+16-1)/16*16*S个元素。
-
-![](../images/atlasascendc_api_07_0865_img_012.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置一个S*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到tmp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的16*S的方形转置到dst中，在dst中是ND格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移(H+16-1)/16*16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移H/N*S个元素。
-
-![](../images/atlasascendc_api_07_0865_img_013.png)
-
-计算过程分为如下几步：
-
-先后沿H方向，B方向循环处理：
-
-1. 第1次TransDataTo5HD步骤：每次转置一个S*16的方形到temp1中；
-1. DataCopy步骤：当H/N<=16时，每次搬运H/N*S个元素到temp2中；当H/N>16时，前H/N/16次搬运16*S个元素到temp2中，最后一次搬运H/N%16*S个元素到tmp2中；
-1. 第2次TransDataTo5HD步骤：将temp2中的16*S的方形转置到dst中，在dst中是NZ格式，来自同一个方形的连续2行数据在目的操作数上的地址偏移16个元素，沿H方向的每2个方形的同一行数据在目的操作数上的地址偏移S*16个元素。
-
-![](../images/atlasascendc_api_07_0865_img_014.png)
-
-计算过程如下：
-
-1. 调用TransDataTo5HD，通过设置不同的源操作数地址序列和目的操作数地址序列，将[H, W]转置为[W, H]，src和dst均是ND格式。
-
-#### 函数原型
-
-由于该接口的内部实现中涉及复杂的计算，需要额外的临时空间来存储计算过程中的中间变量。临时空间大小BufferSize的获取方法：通过Transpose Tiling中提供的GetTransposeMaxMinTmpSize接口获取所需最大和最小临时空间大小，最小空间可以保证功能正确，最大空间用于提升性能。
-
-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，因此Transpose接口的函数原型有两种：
-
-- 通过sharedTmpBuffer入参传入临时空间12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src,constLocalTensor<uint8_t>&sharedTmpBuffer,TransposeTypetransposeType,ConfusionTransposeTiling&tiling)该方式下开发者需自行申请并管理临时内存空间，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12template<typenameT>__aicore__inlinevoidTranspose(constLocalTensor<T>&dst,constLocalTensor<T>&src,TransposeTypetransposeType,ConfusionTransposeTiling&tiling)该方式下开发者无需申请，但是需要预留临时空间的大小。
-
-#### 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：int16_t、uint16_t、half、int32_t、uint32_t、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：int16_t、uint16_t、half、int32_t、uint32_t、float。Atlas 推理系列产品AI Core，支持的数据类型为：int16_t、uint16_t、half、int32_t、uint32_t、float。 |
-
-| 参数名 | 输入/输出 | 描述 |
-| --- | --- | --- |
-| dst | 输出 | 目的操作数，LocalTensor数据结构的定义请参考LocalTensor。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| src | 输入 | 源操作数，LocalTensor数据结构的定义请参考LocalTensor。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| sharedTmpBuffer | 输入 | 共享缓冲区，用于存放API内部计算产生的临时数据。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。共享缓冲区大小的获取方式请参考Transpose Tiling。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。 |
-| transposeType | 输入 | 数据排布及reshape的类型，类型为TransposeType枚举类。12345678910111213141516171819enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// default valueTRANSPOSE_NZ2ND_0213,// 场景1：NZ2ND，1、2轴互换TRANSPOSE_NZ2NZ_0213,// 场景2：NZ2NZ，1、2轴互换TRANSPOSE_NZ2NZ_012_WITH_N,// 场景3：NZ2NZ，尾轴切分TRANSPOSE_NZ2ND_012_WITH_N,// 场景4：NZ2ND，尾轴切分TRANSPOSE_NZ2ND_012_WITHOUT_N,// 场景5：NZ2ND，尾轴合并TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 场景6：NZ2NZ，尾轴合并TRANSPOSE_ND2ND_ONLY,// 场景7：二维转置TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// 当前不支持TRANSPOSE_NCHW2NHWC,// 当前不支持TRANSPOSE_NHWC2NCHW// 当前不支持}; | 12345678910111213141516171819 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// default valueTRANSPOSE_NZ2ND_0213,// 场景1：NZ2ND，1、2轴互换TRANSPOSE_NZ2NZ_0213,// 场景2：NZ2NZ，1、2轴互换TRANSPOSE_NZ2NZ_012_WITH_N,// 场景3：NZ2NZ，尾轴切分TRANSPOSE_NZ2ND_012_WITH_N,// 场景4：NZ2ND，尾轴切分TRANSPOSE_NZ2ND_012_WITHOUT_N,// 场景5：NZ2ND，尾轴合并TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 场景6：NZ2NZ，尾轴合并TRANSPOSE_ND2ND_ONLY,// 场景7：二维转置TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// 当前不支持TRANSPOSE_NCHW2NHWC,// 当前不支持TRANSPOSE_NHWC2NCHW// 当前不支持}; |
-| 12345678910111213141516171819 | enumclassTransposeType:uint8_t{TRANSPOSE_TYPE_NONE,// default valueTRANSPOSE_NZ2ND_0213,// 场景1：NZ2ND，1、2轴互换TRANSPOSE_NZ2NZ_0213,// 场景2：NZ2NZ，1、2轴互换TRANSPOSE_NZ2NZ_012_WITH_N,// 场景3：NZ2NZ，尾轴切分TRANSPOSE_NZ2ND_012_WITH_N,// 场景4：NZ2ND，尾轴切分TRANSPOSE_NZ2ND_012_WITHOUT_N,// 场景5：NZ2ND，尾轴合并TRANSPOSE_NZ2NZ_012_WITHOUT_N,// 场景6：NZ2NZ，尾轴合并TRANSPOSE_ND2ND_ONLY,// 场景7：二维转置TRANSPOSE_ND_UB_GM,// 当前不支持TRANSPOSE_GRAD_ND_UB_GM,// 当前不支持TRANSPOSE_ND2ND_B16,// 当前不支持TRANSPOSE_NCHW2NHWC,// 当前不支持TRANSPOSE_NHWC2NCHW// 当前不支持}; |
-| tiling | 输入 | 计算所需tiling信息，Tiling信息的获取请参考Transpose Tiling。 |
-
-#### 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。
-
-#### 调用示例
-
-本示例为场景1（NZ2ND，1、2轴互换）示例：
-
-输入Tensor { shape:[B, N, H/N/16, S/16, 16, 16], origin_shape：[B, N, S, H/N], format:"NZ", origin_format:"ND"}
-
-输出Tensor { shape:[B, S, N, H/N], origin_shape:[B, S, N, H/N], format:"ND", origin_format:"ND"}
-
-B=1，N=2, S=64, H/N=32，输入数据类型均为half。
-
-| 123456 | AscendC::TPipe*pipe=pipeIn;AscendC::TQue<AscendC::TPosition::VECIN,1>inQueueSrcVecIn;AscendC::TQue<AscendC::TPosition::VECOUT,1>inQueueSrcVecOut;pipe->InitBuffer(inQueueSrcVecIn,1,b*n*s*hnDiv*sizeof(T));pipe->InitBuffer(inQueueSrcVecOut,1,b*n*s*hnDiv*sizeof(T));AscendC::Transpose(dst,src,AscendC::TransposeType::TRANSPOSE_NZ2ND_0213,this->tiling); |
-| --- | --- |

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_0866.md

@@ -1,72 +0,0 @@
----
-id: api-ascendc-atlasascendc_api_07_0866
-title: "AscendC Transpose Tiling"
-type: api-definition
-vendor: ascend
-func_name: "Transpose Tiling"
-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_0866.html"
-  anchor: API
-architectures:
-- ascend910b
-languages:
-- ascendc
-tags:
-- ascendc
-confidence: source-reported
-evidence_level: spec
----
-# Transpose Tiling-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_0866
-**来源:** https://www.hiascend.com/document/detail/zh/CANNCommunityEdition/850/API/ascendcopapi/atlasascendc_api_07_0866.html
----
-
-# Transpose Tiling
-
-#### 功能说明
-
-用于获取Transpose Tiling参数。
-
-#### 函数原型
-
-![](../images/atlasascendc_api_07_10005_img_003.png)
-
-- 获取最小临时空间大小1voidGetTransposeMaxMinTmpSize(constge::Shape&srcShape,constuint32_ttypeSize,constuint32_ttransposeTypeIn,uint32_t&maxValue,uint32_t&minValue)1voidGetConfusionTransposeMaxMinTmpSize(constge::Shape&srcShape,constuint32_ttypeSize,constuint32_ttransposeTypeIn,uint32_t&maxValue,uint32_t&minValue)
-- 获取Transpose Tiling1voidGetTransposeTilingInfo(constge::Shape&srcShape,constuint32_tstackBufferSize,constuint32_ttypeSize,constuint32_ttransposeTypeIn,optiling::ConfusionTransposeTiling&tiling)1voidGetTransposeTilingInfo(constge::Shape&srcShape,constuint32_tstackBufferSize,constuint32_ttypeSize,constuint32_ttransposeTypeIn,AscendC::tiling::ConfusionTransposeTiling&tiling)1voidGetConfusionTransposeOnlyTilingInfo(constge::Shape&srcShape,constuint32_tstackBufferSize,constuint32_ttypeSize,optiling::ConfusionTransposeTiling&tiling)1voidGetConfusionTransposeOnlyTilingInfo(constge::Shape&srcShape,constuint32_tstackBufferSize,constuint32_ttypeSize,AscendC::tiling::ConfusionTransposeTiling&tiling)1voidGetConfusionTransposeTilingInfo(constge::Shape&srcShape,constuint32_tstackBufferSize,constuint32_ttypeSize,constuint32_ttransposeTypeIn,optiling::ConfusionTransposeTiling&tiling)1voidGetConfusionTransposeTilingInfo(constge::Shape&srcShape,constuint32_tstackBufferSize,constuint32_ttypeSize,constuint32_ttransposeTypeIn,AscendC::tiling::ConfusionTransposeTiling&tiling)
-
-#### 参数说明
-
-| 参数名 | 输入/输出 | 含义 |
-| --- | --- | --- |
-| srcShape | 输入 | 输入Tensor的shape信息，具体srcShape传入格式为：场景1：[B, N, S, H/N]场景2：[B, N, S, H/N]场景3：[B, N, S, H/N]场景4：[B, N, S, H/N]场景5：[B, N, S, H/N]场景6：[B, N, S, H/N]场景7：[H, W] |
-| typeSize | 输入 | 输入的数据类型大小，单位为字节。比如输入的数据类型为half，此处应传入2。 |
-| transposeTypeIn | 输入 | 选择数据排布及reshape的类型，根据输入数字选择对应的场景，参数范围为[1,7]。场景1（NZ2ND，1、2轴互换）：1场景2（NZ2NZ，1、2轴互换）：2场景3（NZ2NZ，尾轴切分）：3场景4（NZ2ND，尾轴切分）：4场景5（NZ2ND，尾轴合并）：5场景6（NZ2NZ，尾轴合并）：6场景7（二维转置）：7 |
-| maxValue | 输出 | Transpose接口能完成计算所需的最大临时空间大小，超出该值的空间不会被该接口使用。在最小临时空间-最大临时空间范围内，随着临时空间增大，kernel侧接口计算性能会有一定程度的优化提升。为了达到更好的性能，开发者可以根据实际的内存使用情况进行空间预留/申请。说明：maxValue仅作为参考值，有可能大于Unified Buffer剩余空间的大小，该场景下，开发者需要根据Unified Buffer剩余空间的大小来选取合适的临时空间大小。 |
-| minValue | 输出 | Transpose接口能完成计算所需最小临时空间大小。为保证功能正确，接口计算时预留/申请的临时空间不能小于该数值。 |
-
-| 参数名 | 输入/输出 | 含义 |
-| --- | --- | --- |
-| srcShape | 输入 | 输入的shape信息，具体srcShape传入格式为：场景1：[B, N, S, H/N]场景2：[B, N, S, H/N]场景3：[B, N, S, H/N]场景4：[B, N, S, H/N]场景5：[B, N, S, H/N]场景6：[B, N, S, H/N]场景7：[H, W] |
-| stackBufferSize | 输入 | 可供Transpose接口计算的空间大小，单位Byte。 |
-| typeSize | 输入 | 输入的数据类型大小，单位为字节。比如输入的数据类型为half，此处应传入2。 |
-| transposeTypeIn | 输入 | 选择数据排布及reshape的类型，根据输入数字选择对应的场景，参数范围为[1,7]。场景1（NZ2ND，1、2轴互换）：1场景2（NZ2NZ，1、2轴互换）：2场景3（NZ2NZ，尾轴切分）：3场景4（NZ2ND，尾轴切分）：4场景5（NZ2ND，尾轴合并）：5场景6（NZ2NZ，尾轴合并）：6场景7（二维转置）：7 |
-| tiling | 输出 | 输入数据的切分信息。 |
-
-#### 返回值说明
-
-无
-
-#### 约束说明
-
-无
-
-#### 调用示例
-
-如下样例介绍了使用Transpose高阶API时host侧获取Tiling参数的流程以及该参数如何在kernel侧使用。样例中为场景1，输入Tensor的shape大小为[1, 2, 64, 32]，输入的数据类型为half。
-
-1. 将ConfusionTransposeTiling结构体参数增加至TilingData结构体，作为TilingData结构体的一个字段。12345BEGIN_TILING_DATA_DEF(TilingData)// 注册一个tiling的类，以tiling的名字作为入参TILING_DATA_FIELD_DEF(uint32_t,tileNum);// 添加tiling字段，每个核上总计算数据分块个数...// 添加其他tiling字段TILING_DATA_FIELD_DEF_STRUCT(ConfusionTransposeTiling,confusionTransposeTilingData);// 将ConfusionTransposeTiling结构体参数增加至TilingData结构体END_TILING_DATA_DEF;
-1. Tiling实现函数中，根据输入shape、可供计算的空间大小(stackBufferSize)等信息获取Transpose kernel侧接口所需tiling参数。12345678910111213141516171819202122232425262728namespaceoptiling{constuint32_tBLOCK_DIM=8;constuint32_tTILE_NUM=8;staticge::graphStatusTilingFunc(gert::TilingContext*context){TilingDatatiling;uint32_ttotalLength=context->GetInputTensor(0)->GetShapeSize();context->SetBlockDim(BLOCK_DIM);tiling.set_tileNum(TILE_NUM);// 设置其他Tiling参数...std::vector<int64_t>shapeVec={1,2,64,32};ge::ShapesrcShape(shapeVec);uint32_tmaxValue=0;uint32_tminValue=0;AscendC::GetTransposeMaxMinTmpSize(srcShape,sizeof(half),maxValue,minValue);// 本样例中仅作为样例说明，获取最小值并传入，来保证功能正确，开发者可以根据需要传入合适的空间大小constuint32_tstackBufferSize=minValue;// 获取Transpose Tiling参数AscendC::GetTransposeTilingInfo(srcShape,stackBufferSize,sizeof(half),1,tiling.confusionTransposeTilingData);...// 其他逻辑tiling.SaveToBuffer(context->GetRawTilingData()->GetData(),context->GetRawTilingData()->GetCapacity());context->GetRawTilingData()->SetDataSize(tiling.GetDataSize());context->SetTilingKey(1);returnge::GRAPH_SUCCESS;}}// namespace optiling
-1. 对应的kernel侧通过在核函数中调用GET_TILING_DATA获取TilingData，继而将TilingData中的ConfusionTransposeTiling信息传入Transpose接口参与计算。完整的kernel侧样例请参考Transpose。1234567extern"C"__global____aicore__voidfunc_custom(GM_ADDRsrc_gm,GM_ADDRdst_gm,GM_ADDRworkspace,GM_ADDRtiling){GET_TILING_DATA(TilingData,tiling);KernelTranspose<half>op;op.Init(src_gm,dst_gm,TilingData.confusionTransposeTilingData);op.Process();}