写 Ascend C 算子最常犯的错误不是计算写错是数据搬运写错。昇腾NPU有四级存储每一级的容量、带宽、延迟都不同。数据该放在哪一级、什么时候搬、搬多少直接决定算子性能。四级存储级别名称容量带宽延迟用途L0HBM全局显存64GB1.2 TB/s~300ns权重、KV Cache、模型参数L1L2 Cache8MB6 TB/s~30ns自动缓存热点数据L2L1 Buffer1MB12 TB/s~5ns算子内部的中间数据L3Local Buffer256KB24 TB/s~1nsVector/Cube 当前计算的数据带宽差距是 20 倍HBM 到 Local Buffer。算子性能取决于数据在 L0 停留多久——停留越短越好。数据搬运方式DMA 搬运L0 ↔ L2由 DMA 引擎执行不占 Cube/Vector 单元。适合大批量数据搬运。// DMA 搬运HBM → L2 → L1DataCopyPad(l1_buf,hbm_buf,{block_len});// L0 → L1DataCopyPad(hbm_buf,l1_buf,{block_len});// L1 → L0Cube/Vector 自动搬运L1 ↔ L3Cube 或 Vector 单元执行计算时自动从 L1 读数据到 Local Buffer。程序员不需要手动搬。// Vector 计算时自动从 L1 读到 Local BufferAdd(z_local,x_local,y_local,block_len);// x_local, y_local 在 Local Buffer// z_local 写回 Local BufferDouble Buffer 技术单次搬运的计算流程[DMA搬入] → [计算] → [DMA搬出] → [DMA搬入] → [计算] → [DMA搬出] 计算单元空闲等待 计算单元空闲等待Double Buffer 让计算和搬运重叠Buffer A: [DMA搬入] → [计算] → [DMA搬出] Buffer B: [DMA搬入] → [计算] → [DMA搬出] ↑ 跟 Buffer A 的计算同时进行代码实现classMyKernel{__aicore__inlinevoidProcess(){// 双缓冲buf_a 和 buf_b 交替使用LocalTensorhalfbuf_apipe_.GetBufferhalf(0);LocalTensorhalfbuf_bpipe_.GetBufferhalf(1);// 预取第一块DataCopy(buf_a,x_gm_[0],block_len_);for(inti0;itiles_-1;i){// 当前块计算 下一块预取DataCopy(buf_b,x_gm_[(i1)*block_len_],block_len_);Compute(buf_a);// 计算第 i 块std::swap(buf_a,buf_b);}// 最后一块Compute(buf_a);}};Double Buffer 的前提L1 有足够空间放两个 buffer。1MB 的 L1 / 2 512KB per buffer。如果 block_len 4096 个 fp16 元素 8KB512KB 可以放 64 个 block空间充裕。常见性能反模式反模式 1计算完再搬运// ❌ 搬入全部数据 → 全部计算 → 搬出全部数据for(inti0;itiles_;i)DataCopy(l1[i],hbm[i],block_len_);for(inti0;itiles_;i)Compute(l1[i]);for(inti0;itiles_;i)DataCopy(hbm[i],l1[i],block_len_);// ✅ 分块计算搬运重叠for(inti0;itiles_;i){DataCopy(l1,hbm[i],block_len_);Compute(l1);DataCopy(hbm[i],l1,block_len_);}第一种 L1 放不下所有 tile会触发 L1 溢出到 L2性能降 50%。反模式 2忽略对齐// ❌ 非对齐搬运DataCopy(dst,src,17);// 17 不是 32 的倍数// ✅ 对齐搬运补零到 32 的倍数uint32_taligned_len(len31)~31;DataCopyPad(dst,src,{aligned_len});DMA 引擎的最小搬运单位是 32 bytes。非对齐长度会导致 DMA 多次发起效率降低。反模式 3L1 缓存未复用// ❌ 同一数据读两遍DataCopy(x_local,x_gm,len);// 第一次读Compute1(x_local);DataCopy(x_local,x_gm,len);// 重复读Compute2(x_local);// ✅ 读一次多步计算DataCopy(x_local,x_gm,len);Compute1(x_local);Compute2(x_local);// x_local 还在 L1 里L1 数据在算子执行期间一直有效不需要重复从 HBM 读。Ascend C 的性能调优本质上是存储调优。计算逻辑大家都差不多搬运策略决定了谁是 90 分谁是 60 分。掌握四级存储的层次关系和 Double Buffer 技术算子性能就能到 80 分以上。仓库在这里https://atomgit.com/cann/opbase
