昇腾AI处理器的计算核心 - AI Core即DaVinci Core

昇腾AI处理器的计算核心 - AI Core即DaVinci Core

flyfish

从一段代码的解释开始

template <typename T>
class GlobalTensor {
public:
    void setGlobalBuffer(T* buffer, uint32_t buffersize) {
        // 在这里实现设置全局缓冲区的逻辑
    }
};

语法的说明，主要用于理解上面的代码，非内部实现
template :
这是模板声明。它告诉编译器接下来定义的类或函数是一个模板，T 是一个类型参数。typename 是一个关键字，表示 T 是一种类型。

class GlobalTensor:
这是定义模板类 GlobalTensor，GlobalTensor 是一个通用类，其内部数据类型由模板参数 T 指定。

通过模板，GlobalTensor 类可以处理不同类型的数据，而无需为每种数据类型编写单独的类。例如，可以创建 GlobalTensor 来处理整数类型的全局数据，或者创建 GlobalTensor 来处理浮点数类型的全局数据。

#include 

// 定义模板类 GlobalTensor
template <typename T>
class GlobalTensor {
public:
    // 设置全局缓冲区的方法
    void setGlobalBuffer(T* buffer, uint32_t buffersize) {
        this->buffer = buffer;
        this->buffersize = buffersize;
    }

    // 打印缓冲区中的内容
    void printBuffer() const {
        for (uint32_t i = 0; i < buffersize; ++i) {
            std::cout << buffer[i] << " ";
        }
        std::cout << std::endl;
    }

private:
    T* buffer;         // 指向缓冲区的指针
    uint32_t buffersize; // 缓冲区的大小,元素的个数
};

int main() {
    // 创建一个int类型的缓冲区
    int intBuffer[] = {1, 2, 3, 4, 5};
    uint32_t intBufferSize = 5;//sizeof(intBuffer) / sizeof(intBuffer[0]);

    std::cout << sizeof(intBuffer)<<":" <<sizeof(intBuffer[0]) <<std::endl;

    // 创建一个GlobalTensor实例
    GlobalTensor<int> intTensor;
    intTensor.setGlobalBuffer(intBuffer, intBufferSize);
    std::cout << "Integer buffer: ";
    intTensor.printBuffer();

    // 创建一个float类型的缓冲区
    float floatBuffer[] = {1.1f, 2.2f, 3.3f, 4.4f, 5.5f};
    uint32_t floatBufferSize = 5;//sizeof(floatBuffer) / sizeof(floatBuffer[0]);

    // 创建一个GlobalTensor实例
    GlobalTensor<float> floatTensor;
    floatTensor.setGlobalBuffer(floatBuffer, floatBufferSize);
    std::cout << "Float buffer: ";
    floatTensor.printBuffer();

    return 0;
}

输出

20:4
Integer buffer: 1 2 3 4 5
Float buffer: 1.1 2.2 3.3 4.4 5.5

语法解释
sizeof(intBuffer) / sizeof(intBuffer[0]) 和 sizeof(floatBuffer) / sizeof(floatBuffer[0]) 这两个表达式确实表示的是缓冲区（数组）中元素的个数。

sizeof(intBuffer):

计算整个 intBuffer 数组的总大小（以字节为单位）。
假设 intBuffer 是一个包含 5 个 int 元素的数组，每个 int 占用 4 个字节，那么 sizeof(intBuffer) 就是 5 * 4 = 20 字节。

sizeof(intBuffer[0]):

计算数组中第一个元素的大小，也就是 int 类型的大小（在大多数系统中是 4 字节）。

sizeof(intBuffer) / sizeof(intBuffer[0]):

用数组的总大小除以单个元素的大小，得到数组中元素的个数。
对于上述例子，计算过程为 20 / 4 = 5，所以这个表达式的结果就是 5，也就是数组中的元素个数。

昇腾 AI Core 架构

不同于传统的支持通用计算的CPU和GPU，也不同于专用于某种特定算法的专用芯片ASIC（Application Specific Integrated Circuit），AI Core架构本质上是为了适应某个特定领域中的常见应用和算法，通常称为“特定域架构”（Domain Specific Architecture,DSA）。因为不一样所有就起了新的名字 达芬奇。

Al Core内部并行计算架构抽象

使用Ascend C编程语言开发的算子运行在AICore上，AI Core是昇腾AI处理器中的计算核心一个AI处理器内部有多个AICore，AICore中包含计算单元、存储单元、搬运单元等核心组件

昇腾AI处理器的计算核心主要由AI Core构成，从控制上可以看成是一个相对简化的现代微处理器的基本架构。它包括了三种基础计算资源：。这三种计算单元各司其职，形成了三条独立的执行流水线，在系统软件的统一调度下互相配合达到优化的计算效率。此外在矩阵计算单元和向量计算单元内部还提供了不同精度、不同类型的计算模式。

AI Core内部核心组件

1. 计算单元
   AI Core包括了三种基础计算资源：Cube计算单元、Vector计算单元和Scalar计算单元（矩阵计算单元（Cube Unit）、向量计算单元（Vector Unit）和标量计算单元（Scalar Unit））。

2. 存储单元
   存储单元包括内部存储和外部存储：
   AI Core中存在内部存储，AI Core需要把外部存储（通常包括L2、HBM、DDR等）中的数据加载到内部存储中，才能完成相应的计算。AI Core的主要内部存储包括：L1 Buffer（L1缓冲区），L0 Buffer（L0缓冲区），Unified Buffer（统一缓冲区）和Scalar Buffer（标量缓冲区）。

3. 搬运单元
   DMA（Direct Memory Access）搬运单元：负责在Global Memory和Local Memory之间搬运数据。
   为了配合AI Core中的数据传输和搬运，AI Core中还包含BIU（Bus Interface Unit，总线接口单元），MTE1（Memory Transfer Engine，存储转换引擎），MTE2，MTE3。其中BIU为AI Core与总线交互的接口；MTE为数据搬运单元，完成不同Buffer之间的数据搬运。
   不同类型的昇腾AI处理器，存储单元大小不同，用户可通过get_soc_spec接口获取。

Global Memory

AI Core能够访问的外部存储称之为Global Memory，对应的数据类型为GlobalTensor。

Local Memory

AI Core的内部存储，统称为Local Memory，对应的数据类型为LocalTensor。由于不同芯片间硬件资源不固定，可以为UB、L1、L0A、L0B等。

SIMD与SPMD

Ascend C算子编程是SPMD（Single-Program Multiple-Data）编程
SPMD并行计算示意图

核内（Intra-Core）：指的是单个处理核心内部的执行。例如，SIMD 是在一个处理核心内执行的，即核内的并行操作。多个数据元素通过一个核心的 SIMD 单元同时处理。

核间（Inter-Core）：指的是多个处理核心之间的协作。SPMD 通常涉及核间的并行处理，即多个核心同时运行相同的程序代码，但处理不同的数据集。

具体关系
SIMD 核内操作：SIMD 是一个核内的并行机制。它利用处理器内的硬件资源来执行单条指令在多个数据上的操作，通常在一个核心内部通过向量处理单元来实现。SIMD 不涉及多个核心之间的协作，而是关注如何在单个核心内高效利用并行性。

SPMD 核间协作：SPMD 则更多涉及核间的协作。多个核心（或多个线程）同时运行相同的程序，但各自操作不同的数据。每个核心运行的程序可以是独立的，程序中的不同实例可能根据处理的数据不同而采取不同的执行路径。这意味着多个核心之间协作来完成更大规模的并行计算任务。