新闻详情

新闻详情

首页 / 资讯中心 / 详情

CANN/cannbot-skills排序平铺字段

发布时间:2026/10/30 16:20:55来源:尧图网络
CANN/cannbot-skills排序平铺字段
Sort 族 — TilingData 字段语义【免费下载链接】cannbot-skillsCANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体本仓库为其提供可复用的 Skills 模块。项目地址: https://gitcode.com/cann/cannbot-skillsSort 族各 PatternA/B/C的 TilingData 字段并集。1. 通用基础字段字段类型含义推导出处Nint64总元素数输入shapeKint64Top-K 值输入参数dtypestr数据类型输入参数dtype_bytesint单元素字节数dtype映射patternstrA / B / CN vs tileSize × coreNum判定tile_sizeint64单tile元素数UB容量推导, 工程值4096total_tilesint64总tile数CeilDiv(N, tileSize)core_numint64实际使用核数tiling计算ub_sizeintUB总容量平台获取2. 每核参数 (Pattern B/C)字段含义出现条件推导tiles_per_core(S_c)每核tile数B/CCeilDiv(totalTiles, coreNum)elements_per_core(E_c)单核处理元素数B/CS_c × tileSizefront_core_tiles前coreNum-1核的tile数CCeilDiv(totalTiles, coreNum)last_core_tiles尾核tile数CtotalTiles - (usedCore-1)*frontCoreTileslast_tile_size末tile元素数(≤tileSize)A/B/CN - tileSize × (totalTiles-1)3. 归并参数 (Pattern C)字段含义推导merge_rounds_phase2核内归并轮次ceil(log_M(S_c))merge_rounds_phase3跨核归并轮次ceil(log_M(coreNum)) - 1once_max_mergePhase 2/3单次归并最大元素数(ubSize / 64B) / 32 × 32once_max_outputPhase 4单次输出最大元素数(ubSize / outputBPE) / 32 × 324. UB 预算字段字段含义出现于sort_bytes_per_elemPhase 1每元素UB占用所有Patternmerge_bytes_per_elemPhase 2/3每元素UB占用 (64B)B/Coutput_bytes_per_elemPhase 4每元素UB占用B/C5. Workspace字段字段含义出现条件workspace_bytes跨核workspace总字节数Pattern C公式:usedCore × ((E_c × 8B × 2 31) / 32 × 32)6. 分支—字段交叉表字段Pattern APattern BPattern CN / K / dtype / tile_size✅✅✅total_tiles / core_num✅✅✅tiles_per_core (S_c)11✅elements_per_core (E_c)Ntile_size✅front/last_core_tiles➖➖✅last_tile_sizeN✅✅merge_rounds_phase2/3➖1轮 (Phase 3 only)✅once_max_merge/output➖✅✅workspace_bytes➖➖✅7. 约束检查清单N tileSize × coreNum? (Pattern C前提)tileSize 4096?Phase 2循环:while listNum ! 1Phase 3循环:while listNum MGetCoreWsOffset(i) i × E_c × 2 (直接乘法)truncationFlag在归并执行后设置workspace按核数分配 (非总元素数)【免费下载链接】cannbot-skillsCANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体本仓库为其提供可复用的 Skills 模块。项目地址: https://gitcode.com/cann/cannbot-skills创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/10/30 4:02:09

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/10/29 23:30:48

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/10/30 14:30:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/10/29 19:55:35

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/10/29 13:36:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/10/30 5:26:05

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉