mat_mul_v3 源码分析：分支决策与 tiling/swizzle 实现
This commit is contained in:
335
Matmul/3_源码对比/3.1_mat_mul_v3源码解析.md
Normal file
335
Matmul/3_源码对比/3.1_mat_mul_v3源码解析.md
Normal file
@@ -0,0 +1,335 @@
|
||||
# mat_mul_v3 算子源码分析 —— 分支决策与 tiling/swizzle 实现
|
||||
|
||||
> 目标芯片：昇腾 950PR（NpuArch = DAV_3510，32 AIC / 64 AIV，1.65GHz）
|
||||
> 源码位置：`昇腾NPU知识库/代码仓/ops-nn/matmul/mat_mul_v3/`（op_host 为 tiling 层，op_kernel 为 device 层）
|
||||
> 算子接口：`aclnnMatmul` / `aclnnAddmm` / `aclnnMm` 的后端，是最常用 Matmul 实现（32 个 matmul 变体中的核心）
|
||||
> 配套参考：同仓 `昇腾950PR/昇腾950PR架构解读.md`（硬件规格）、官方性能建模文档 `matmul_story/docs/matmul_performance.md`
|
||||
|
||||
---
|
||||
|
||||
## 0. 源码结构总览
|
||||
|
||||
mat_mul_v3 采用 **Host Tiling（CPU）+ Device Kernel（NPU）** 两层结构，中间通过 **tiling key（位域编码）** 传递决策结果：
|
||||
|
||||
```
|
||||
┌─────────────────────────── Host（CPU 侧，算子启动前）───────────────────────────┐
|
||||
│ MatMulV3Tiling::DoTiling() │
|
||||
│ └─ MMTilingRegistry 按 priority 顺序尝试各 tiling 类（策略模式） │
|
||||
│ ├─ MatMulV3KEqZeroTiling (priority 0) │
|
||||
│ ├─ MatMulV3ToMulTiling (priority 1) │
|
||||
│ ├─ MatMulV3ToVectorTiling (priority 2) │
|
||||
│ ├─ MatMulV3BasicStreamKTiling (priority 3) │
|
||||
│ ├─ MatMulV3BasicAswtTiling (priority 4) │
|
||||
│ └─ MatMulV3AswTiling (priority 999, 兜底) │
|
||||
│ 每个类的 IsCapable() 判定是否满足条件，满足则 DoOpTiling() 计算 tiling 参数，│
|
||||
│ 编码成 tiling key + tiling data 下发给 device。 │
|
||||
└─────────────────────────────────────────────────────────────────────────────────┘
|
||||
│ tiling key + tiling data
|
||||
▼
|
||||
┌─────────────────────────── Device（NPU 侧，每核执行）───────────────────────────┐
|
||||
│ mat_mul_v3() 入口：if constexpr 按 (ApiLevel, FullLoad, Model, L0C2Out) 分发 │
|
||||
│ ├─ MatMulInputKEqZeroClearOutput K==0 清零 │
|
||||
│ ├─ MatMulToMulActKernel / MatMulToVectorActKernel 退化向量乘 │
|
||||
│ ├─ MatMulStreamKKernel / MatMulStreamKSplitKKernel StreamK 切 K │
|
||||
│ ├─ MatMulBasicKernel / MatMulBasicSplitKKernel ASWT 基础模板 │
|
||||
│ ├─ MatMulAL1FullLoadKernel / MatMulBL1FullLoadKernel A/B 全载 │
|
||||
│ └─ MatMulFixpipeOptiTensorKernel Fixpipe 随路搬出优化 │
|
||||
└─────────────────────────────────────────────────────────────────────────────────┘
|
||||
```
|
||||
|
||||
**关键枚举**（`mat_mul_v3_tiling_key_public.h`）：
|
||||
|
||||
| 维度 | 枚举值 | 含义 |
|
||||
|---|---|---|
|
||||
| MatMulV3Model | BASIC=0 / STREAM_K=1 / K_EQUAL_ZERO=2 / TO_MUL=3 / TO_MULTI_MUL=4 / SLICE=5 / BASIC_SPLIT_K=6 / SK_SPLIT_K=7 | 主计算模型 |
|
||||
| MatMulV3FullLoad | NONE=0 / A_FULL_LOAD=1 / B_FULL_LOAD=2 / AB_FULL_LOAD=3 | L1 全载模式 |
|
||||
| MatMulV3L0C2Out | ON_THE_FLY=0 / ND_FIXPIPE_1_1=1 / ND_FIXPIPE_1_2=2 | L0C 输出方式 |
|
||||
| MatMulV3ApiLevel | HIGH=0 / BASIC=1 / TENSOR=2 | 编程接口层级（kernel 用 BASIC/TENSOR） |
|
||||
|
||||
---
|
||||
|
||||
## 1. 分支决策总表（DAV_3510 = 950PR）
|
||||
|
||||
策略优先级定义在 `matmul_v3_tiling_strategy.h`：
|
||||
|
||||
```cpp
|
||||
{ NpuArch::DAV_3510, {K_EQUAL_ZERO, TO_MUL, TO_MULTI_MUL, BASIC_STREAM_K, BASIC_ASWT} }
|
||||
```
|
||||
|
||||
各 tiling 类按 priority 注册（`MM_REGISTER_TILING_TEMPLATE`），`MMTilingRegistry::DoTilingImpl` 按优先级逐个 `IsCapable()` + `DoTiling()`，**第一个成功者胜出**。
|
||||
|
||||
| Priority | 分支 | 触发条件（IsCapable） | Device Kernel |
|
||||
|---|---|---|---|
|
||||
| 0 | **K_EQUAL_ZERO** | 无 bias 且 `K == 0` | MatMulInputKEqZeroClearOutput |
|
||||
| 1 | **TO_MUL** | 高精度FP32(`isForceGrpAccForFp32`) ∧ 非slice ∧ (M==1 ∨ N==1) ∧ A/B 均 FP32 | MatMulToMulActKernel |
|
||||
| 2 | **TO_MULTI_MUL** | 高精度FP32 ∧ 非slice ∧ `!ATrans ∧ BTrans` ∧ 无bias ∧ A/B 均 FP32 | MatMulToVectorActKernel |
|
||||
| 3 | **BASIC_STREAM_K** | deterministic≤1 ∧ A为ND ∧ 非slice ∧ aivNum==2·aicNum ∧ (SK 或 DPSK 条件) | MatMulStreamKKernel / StreamKSplitK / StreamKActKernel |
|
||||
| 4 | **BASIC_ASWT** | 无条件（主分支） | MatMulBasicKernel 等（含 fullLoad/fixpipe 子分支） |
|
||||
| 999 | **BASE(ASW)** | 无条件（最终兜底，老 Cmct 接口） | MatMulActKernel |
|
||||
|
||||
> 补充：BASIC_ASWT 还注册了 `DAV_RESV` 平台（supportMmadS8S4），但 DAV_RESV 优先级只有 BASIC_ASWT 一项。本文聚焦 950PR（DAV_3510）。
|
||||
|
||||
---
|
||||
|
||||
## 2. 各分支详细分析
|
||||
|
||||
### 2.1 K_EQUAL_ZERO（priority 0）
|
||||
|
||||
**条件**：`!hasBias && kValue == 0`。
|
||||
|
||||
**实现**（`matmul_v3_k_equal_zero_tiling.cpp` + `mat_mul_input_k_eq_zero_clear_output.h`）：
|
||||
- `totalDataAmount = M * N`，`usedCoreNum = aivNum`（64 个 AIV）。
|
||||
- Device 侧 `MatMulInputKEqZeroClearOutput` 直接用 AIV 对输出 `C` 清零，完全不启动 Cube。
|
||||
|
||||
**评价**：K=0 是退化空矩阵乘，输出恒为 0。用 AIV 批量清零、不浪费 Cube 计算单元，实现正确且高效。适用面窄（仅 K==0 且无 bias）。
|
||||
|
||||
### 2.2 TO_MUL（priority 1）
|
||||
|
||||
**条件**：`isForceGrpAccForFp32`（op_impl_mode_enum == 0x4 高精度）∧ 非 slice ∧ (M==1 ∨ N==1) ∧ A/B 均 FP32。
|
||||
|
||||
**实现**（`matmul_v3_to_mul_tiling.cpp` + `mat_mul_to_mul_cmct.h`）：
|
||||
- 矩阵乘退化为**向量乘**（M==1 或 N==1 时本质是点积/向量乘），全部由 AIV 完成，不占 Cube。
|
||||
- tiling：`baseMN`、`baseK` 由 UB 容量（`ubSize/sizeof(float)`）反推；`loopK = ceil(K/baseK)`；区分 `dataCopyMode`（判断内外轴是否连续搬运）。
|
||||
- `usedCoreNum = min(tileNum, aivNum)` 分核。
|
||||
|
||||
**评价**：M==1 或 N==1 时 Cube 的 16×16×16 分形利用率极低，改用 AIV 向量乘是正确决策。局限：仅覆盖高精度 FP32 模式（`isForceGrpAccForFp32`），FP16/BF16 的 M==1/N==1 场景走不到这里。
|
||||
|
||||
### 2.3 TO_MULTI_MUL（priority 2）
|
||||
|
||||
**条件**：高精度FP32 ∧ 非slice ∧ `!ATrans && BTrans` ∧ 无 bias ∧ A/B 均 FP32。
|
||||
|
||||
**实现**（`matmul_v3_to_multi_mul_tiling.cpp` + `mat_mul_to_multi_mul_cmct.h`）：
|
||||
- 同样退化为 AIV 向量乘，但针对 `!ATrans && BTrans` 的特定转置组合（A 行主序、B 列主序，恰好内积方向连续）。
|
||||
- `CalcBasicBlock()`：按 mCore/nCore 的核数分配调整 baseM/baseN，使 M/N 方向的核分配均衡（`while baseN >= 2*baseM ...` 启发式均衡）。
|
||||
|
||||
**评价**：与 TO_MUL 同类，但更窄（限定转置组合、不支持 bias）。两个分支共同说明：**当矩阵乘退化到 M==1 或 N==1 时，源码选择绕开 Cube 走 AIV**，规避 Cube 16 对齐分形粒度的浪费。
|
||||
|
||||
### 2.4 BASIC_STREAM_K（priority 3）—— StreamK / DPSK
|
||||
|
||||
**IsCapable 前置条件**：`deterministicLevel ≤ 1`（切 K 核间累加顺序不确定，强一致性场景禁用）∧ A 为 ND ∧ 非 slice ∧ `aivNum == 2·aicNum`。
|
||||
|
||||
**SK 模式条件**（`CheckStreamKSKTilingDav3510`）：
|
||||
```
|
||||
align(K, 256) >= max(8192, aicNum·256B) / dtypeSize
|
||||
mCnt · nCnt <= aicNum / 2 // MN 用 base 块切的份数不超过核数一半
|
||||
```
|
||||
- 语义：**M/N 太小、块数不够分满核，但 K 足够大** → 把 K 切成多份分给多个核，每核算一段 K 后跨核累加。
|
||||
- FP32 且非 hf32 时 base 块对齐单位退化为 32（`BLOCK_BYTE_SIZE`）。
|
||||
|
||||
**DPSK 模式条件**（`CheckStreamKDPSKTilingDav3510`）：
|
||||
```
|
||||
M % 256 == 0 且 N % 256 == 0
|
||||
K >= max(8192, aicNum·128B) / dtypeSize
|
||||
totalMNCnt >= aicNum 且 totalMNCnt % aicNum != 0 且 余数 <= aicNum/2
|
||||
```
|
||||
- 语义：**主轮能分满核（DP），但尾轮有 M/N 剩余块无法分满** → 尾轮用 SK 方式（切 K）提前执行，让 AIV 累加时 AIC 继续算下一轮（数据并行）。
|
||||
|
||||
**tiling 核心**（`DoOpTiling`）：
|
||||
- `singleCoreK = ceil(K / kCnt)`，`kCnt` 由核数与 MN 块数的关系决定；
|
||||
- `baseK = min(singleCoreK, L0A容量约束)`；
|
||||
- `workspace = aicNum · 256·256·4B + RPC·MB`（**核间累加工作区**）；
|
||||
- `GetL0C2Out`：N 不对齐且大 N 时选 `ND_FIXPIPE_1_2`；
|
||||
- model：FP32 且 `singleCoreK >= FP32_SPLIT_K_THRESHOLD` → `SK_SPLIT_K`（单核内再切 K 保精度），否则 `STREAM_K`。
|
||||
|
||||
**Device swizzle**（`block_scheduler_streamk.h`）：
|
||||
- `mL1 = baseM`、`nL1 = baseN`（StreamK 中 L1 只装一个 base 块）；
|
||||
- `tileNum = DP部分MN块数 + 尾轮SK部分MN块数·skKTileNum`；
|
||||
- `CheckIsSkScene(tileIdx)` 判定当前块属于 DP 主轮（K 不分片）还是 SK 尾轮（K 分片）；
|
||||
- 同样应用 SWAT 窗口 + 蛇形扫描（见 §4）。
|
||||
|
||||
**评价**：
|
||||
- **优点**：解决"MN 块数不足分满核、但 K 大"这一 ASWT 无法高效处理的场景，大幅提升瘦高形状（大 K）的算力利用率；DPSK 让尾轮 SK 与 AIC 计算重叠，减少核空闲。
|
||||
- **缺点**：① 需要 workspace 做跨核累加，**额外 GM 写+读流量**，在 950PR 带宽紧张下成本不低；② 累加顺序不确定 → `deterministicLevel>1` 时整分支禁用；③ 仅支持 A 为 ND；④ DPSK 要求 M/N 严格 256 对齐，形状不齐时退化为纯 SK 或走 ASWT。
|
||||
|
||||
### 2.5 BASIC_ASWT（priority 4）—— 主分支
|
||||
|
||||
**IsCapable**：无条件返回 true。其 `DoOpTiling` 先调用父类 `MatMulV3AswTiling::DoOpTiling()` 完成基础 tiling（baseM/baseN/baseK/singleCore），再按顺序做子决策：
|
||||
|
||||
```
|
||||
DoOpTiling():
|
||||
isSlice_ = IsSelfNonContiguous() // 非连续 3D slice
|
||||
l0C2Out_ = GetL0C2Out() // 是否走 fixpipe 优化
|
||||
if (!isSlice_ && CheckAL1FullLoad()) → DoAL1FullLoad() // A 全载 L1
|
||||
elif (!isSlice_ && CheckBL1FullLoad()) → DoBL1FullLoad() // B 全载 L1
|
||||
elif (l0C2Out_ == ON_THE_FLY) → 普通场景，按 L1 剩余容量均分 stepK
|
||||
else → fixpipe 优化场景
|
||||
CheckFp32SplitK() // FP32 大 K → BASIC_SPLIT_K
|
||||
CheckApiLevelAndModel() // tensor/basic api
|
||||
```
|
||||
|
||||
**A 全载条件**（`CheckAL1FullLoad`）：
|
||||
- `l0C2Out == ON_THE_FLY`（不叠加 fixpipe）；
|
||||
- 非 CubeBound（`cubeBoundParam > cubeBoundEdge`，即 MTE2 是瓶颈、重复读代价高）；
|
||||
- `nCnt > aicNum`（N 方向块数多于核数，存在跨核重复读 A）；
|
||||
- 排除"Fixp Bound 多轮"（`K<=128 && mCnt!=1`）；
|
||||
- 整个 A（M×K）+ bias ≤ **3/4 L1**。
|
||||
|
||||
**B 全载条件**（`CheckBL1FullLoad`）：对称（非 CubeBound ∧ `mCnt > aicNum` ∧ B+bias ≤ 3/4 L1）。
|
||||
|
||||
**A 全载实现**（`DoAL1FullLoad`）：整个 A 常驻 L1，B 按 `baseN` 分块流式搬入；`singleCoreM = M`（不再分 M）、`singleCoreN = baseN`；`baseN` 取 min(原值, L1剩余容量上限, L0C双缓冲上限, 负载均衡值)；`stepKb` 由 B 的 L1 搬移量 + 256B 对齐约束确定；`l1BufferNum` 判断能否 4-buffer。
|
||||
|
||||
**B 全载实现**（`DoBL1FullLoad`）：对称（整个 B 常驻 L1，A 流式）。
|
||||
|
||||
**L0C2Out（fixpipe 优化）条件**（`GetL0C2OutDav3510`）：
|
||||
```
|
||||
isValidMKN = K<=256 && M>=256
|
||||
isMultiRound = mCnt·nCnt > aicNum
|
||||
isUnalignedN = (N·cDtypeSize % 128 != 0) && (N·cDtypeSize > 256)
|
||||
fixpipeBound = isValidMKN && isMultiRound && isUnalignedN
|
||||
```
|
||||
满足且 `aivNum == 2·aicNum` → FP16/BF16 选 `ND_FIXPIPE_1_1`，FP32 选 `ND_FIXPIPE_1_2`。
|
||||
|
||||
**Device kernel 分发**（`mat_mul_v3.cpp` 的 `if constexpr`）：按 (ApiLevel, FullLoad, Model, L0C2Out) 组合映射到 `MatMulBasicKernel` / `MatMulAL1FullLoadKernel` / `MatMulBL1FullLoadKernel` / `MatMulFixpipeOptiTensorKernel` / `MatMulBasicSplitKKernel`（均基于 Blaze::Gemm 模板库）。
|
||||
|
||||
**评价**：
|
||||
- **优点**：① 通用性强，覆盖绝大多数 shape；② SWAT 提升 L2 命中率；③ A/B 全载在"一侧重复读多、另一侧能装进 L1"时显著减少 GM→L1 流量；④ fixpipe 优化在特定小 K 大 M 场景让搬出与计算并行；⑤ 尾轮负载均衡减少尾轮算力浪费。
|
||||
- **缺点**：① baseM/baseN 的选择是**启发式搜索**（§3 的 `cubeBoundParam/balanceRate` 权衡），不是严格最优解；② A/B 全载只支持"整个矩阵常驻 L1"一种粒度，且限定非 CubeBound、ND 场景；③ fixpipe 条件苛刻（K≤256 且 M≥256 且 N 不对齐），覆盖面窄；④ 未区分 GM 读写带宽，`GetHbmBW` 用统一换算值。
|
||||
|
||||
### 2.6 BASE（priority 999）—— 老 Cmct 接口兜底
|
||||
|
||||
**实现**（`matmul_v3_asw_tiling.cpp` + `mat_mul_asw_kernel.h` / `mat_mul_asw_block.h`）：
|
||||
- `DoOpTiling`: `ResetBase` → `GetRebalanceBlock` → `CalcTailBasicBlock` → `CalL1Tiling`；
|
||||
- Device 侧走 `MatMulActKernel`（老 Cmct 接口），核内 `mm_.Iterate()` 执行标准 `GM→L1→L0A/L0B→Cube→L0C→Fixpipe` 流水；`SetMMLayoutTransform(true)` 让 Fixpipe 用 N 搬出实现 Cube 与 Fixpipe 并行；
|
||||
- 块索引计算（`MatmulAswBlock::UpdateBasicIndex`）同样实现 SWAT 窗口 + 蛇形扫描 + 尾轮重切。
|
||||
|
||||
**评价**：作为最终兜底保证正确性，逻辑与 BASIC_ASWT 基础 tiling 一致，但**没有**全载 / fixpipe / StreamK 等新优化，性能上限低于主分支。
|
||||
|
||||
---
|
||||
|
||||
## 3. 核心 tiling 算法（决定 baseM/baseN/baseK 与单核形状）
|
||||
|
||||
### 3.1 ResetBase（初始值，`matmul_v3_tiling_helper.cpp`）
|
||||
|
||||
```cpp
|
||||
// ResetBaseDefault（DAV_3510 在此基础上改 baseM）
|
||||
usedCoreNum = aicNum; // 32
|
||||
baseM = 256; baseN = 256; // 950PR 的 base 块
|
||||
baseK = 128B / dtypeSize; // FP16=64, FP32=32
|
||||
iterateOrder = ITER_COL_FIRST; // 列优先
|
||||
singleCoreK = K; singleCoreM/N = baseM/N;
|
||||
```
|
||||
|
||||
### 3.2 GetRebalanceBlock（baseM/baseN 最优搜索，核心）
|
||||
|
||||
这是整个 tiling 最关键的函数，分两步：
|
||||
|
||||
**① Roofline 判 CubeBound**：
|
||||
```cpp
|
||||
hbmBW = freq · 32核 · 31B/拍 / 1024 // ≈ 1.6TB/s
|
||||
l2BW = freq · 32核 · 100B/拍 / 1024 // ≈ 5.2TB/s
|
||||
singleCoreComputePower = freq · 8 // ≈ 13.2 TFLOPS(单核 BF16)
|
||||
computePower = singleCoreComputePower · aicNum
|
||||
|
||||
cmr = (M+N)/(M·N) // 临界算术强度相关量
|
||||
cubeBoundEdge = (l2BW/computePower) + l2CacheUsage·(1 - l2BW/hbmBW)·cmr
|
||||
- (1 + l2BW/hbmBW)/K
|
||||
cubeBoundParam = 1/baseM + 1/baseN
|
||||
// Cube Bound 条件：cubeBoundParam <= cubeBoundEdge
|
||||
```
|
||||
|
||||
**② 搜索最优 (baseM, baseN)**：在 `maxBaseM × maxBaseN` 解空间内双重循环，对每个候选算：
|
||||
- `curCubeBoundParam = 1/curBaseM + 1/curBaseN`
|
||||
- `curBalanceRate`（尾轮负载均衡率，`GetBalanceRateWithTail`）
|
||||
- 目标：优先满足 CubeBound 且 balanceRate 更高；否则综合 `cubeBoundParam/balanceRate` 评选。
|
||||
|
||||
`maxBaseM/maxBaseN` 由 `GetMaxBaseWithLimit` 计算，受 L0A/L0C/L1/bias table/K 对齐多重约束。
|
||||
|
||||
### 3.3 GetBaseK
|
||||
|
||||
```cpp
|
||||
maxBaseK = L0A_SIZE / DB_SIZE / dtypeSize / max(baseM, baseN)
|
||||
// 优先 K 全载进 L0A；否则按 256B 对齐；再退 128/64/32/16
|
||||
```
|
||||
|
||||
### 3.4 CalL1Tiling（K 方向 L1 分片，`CalL1TilingDefault`）
|
||||
|
||||
```cpp
|
||||
isKInner = !ATrans || BTrans
|
||||
maxStepK = min(ceil(K/baseK), 8) // K 方向 L1 分片数上限 8
|
||||
// 遍历 stepK：满足 (aL1+bL1)·DB <= L1 且 K 256B 对齐 且 单次搬移量约束
|
||||
stepKa = stepKb = resKL1 / baseK
|
||||
depthA1 = stepKa · DB; depthB1 = stepKb · DB
|
||||
```
|
||||
|
||||
### 3.5 CalcTailBasicBlock（尾轮重切）
|
||||
|
||||
```cpp
|
||||
tailCnt = (mCnt·nCnt > aicNum) ? (mCnt·nCnt % aicNum) : 0
|
||||
// 尾轮把 base 块在 M/N 方向重切 mTailCnt×nTailCnt 份，
|
||||
// 使尾轮也尽量填满核，且保持搬移效率（128B 对齐约束）
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 4. Swizzle 编排（SWAT 窗口 + 蛇形扫描）
|
||||
|
||||
ASWT 与 StreamK 共用的 swizzle 核心（`block_scheduler_aswt.h` 的 `UpdateMNTileIdx`、`mat_mul_asw_block.h` 的 `UpdateBasicIndex`）：
|
||||
|
||||
```
|
||||
mainWindow = min(4, mTileNum) // 固定窗口 4 行（WINDOW_LEN=4）
|
||||
mainRow = mTileNum / mainWindow - 1
|
||||
tailWindow = mTileNum - mainRow · mainWindow
|
||||
|
||||
rowIdx = tileIdx / nTileNum / mainWindow
|
||||
if (rowIdx < mainRow):
|
||||
mTileIdx = rowIdx·mainWindow + tileIdx % mainWindow // 窗口内 M 小步滑动
|
||||
nTileIdx = (tileIdx / mainWindow) % nTileNum // N 方向连续滑动
|
||||
else:
|
||||
// 尾窗口特殊处理
|
||||
if (rowIdx % 2 != 0):
|
||||
nTileIdx = nTileNum - 1 - nTileIdx // 蛇形：奇数行 N 反向
|
||||
```
|
||||
|
||||
**SWAT 语义**：把 M 轴按窗口（默认 4 个 base 块）分组，窗口内沿 N 连续滑动、M 小步滑动，使相邻核访问的数据在空间上邻近 → 最大化 L2 命中；奇数行 N 反向扫描（蛇形）让相邻轮的首尾块空间相邻，进一步提升 L2 复用。这是官方 `matmul_performance.md` 中 SWAT（Slide Window Adaptive Template）的落地实现。
|
||||
|
||||
**尾轮重切**（`GetBlockShape`）：最后一轮把单个 base 块在 M/N 方向再切 `mTailCnt×nTailCnt` 份分给更多核，`blockIdx % tailCnt` 决定每核拿哪个子块，消除尾轮算力浪费。
|
||||
|
||||
**StreamK 的 swizzle**（`block_scheduler_streamk.h`）：在 SWAT 窗口基础上叠加 **DP 主轮（K 不分片）+ SK 尾轮（K 分片）** 判定（`CheckIsSkScene`），主轮每核一个 MN 块算完整 K，尾轮把剩余 MN 块切 K 分多核、由 AIV 在 workspace 上确定性累加。
|
||||
|
||||
---
|
||||
|
||||
## 5. 各分支优缺点对比
|
||||
|
||||
| 分支 | 适用场景 | 优点 | 缺点 / 局限 |
|
||||
|---|---|---|---|
|
||||
| K_EQUAL_ZERO | K==0 且无 bias | 极简，AIV 清零不浪费 Cube | 仅空矩阵乘 |
|
||||
| TO_MUL | 高精度 FP32 且 M==1 或 N==1 | 避开 Cube 分形浪费，AIV 向量乘 | 仅 FP32 高精度模式 |
|
||||
| TO_MULTI_MUL | 高精度 FP32 且 !ATrans∧BTrans 且 M/N 任意 | 同上 + 转置组合下的内积连续 | 更窄（限转置组合、无 bias） |
|
||||
| BASIC_STREAM_K | M/N 小、K 大（K≥8192） | 切 K 用满核；DPSK 尾轮与计算重叠 | workspace 额外带宽；累加顺序不确定；仅 A 为 ND；DPSK 要求 256 对齐 |
|
||||
| BASIC_ASWT | 通用主分支 | SWAT 提 L2 命中；A/B 全载减重复读；fixpipe 并行搬出；尾轮均衡 | baseM/N 启发式搜索非严格最优；全载/fixpipe 场景窄 |
|
||||
| BASE(ASW) | 最终兜底 | 保证正确性 | 老接口，无全载/fixpipe/StreamK 优化 |
|
||||
|
||||
---
|
||||
|
||||
## 6. 初步观察到的可改进点（衔接任务 3.2）
|
||||
|
||||
在通读源码过程中，已浮现若干值得深挖的改进线索，留待后续对照性能模型严格论证：
|
||||
|
||||
1. **baseM/baseN 搜索目标是启发式的**：`GetRebalanceBlock` 用 `cubeBoundParam/balanceRate` 复合指标剪枝，而非直接代入 §3.2 的 `T_total = max(T_MMAD, T_MTE2, T_MTE1, T_FIXPIPE)` 精确评估。理论上可用性能模型对候选解做精确打分。
|
||||
2. **SWAT 窗口固定为 4**（`WINDOW_LEN=4`）：未根据 L2 容量、shape、核数自适应调窗。窗口大小直接影响 L2 命中率与重复读量的权衡。
|
||||
3. **A/B 全载只有"整个矩阵常驻"一种粒度**：没有"部分驻留"（多个 base 块驻留 L1 的中间态），在 A/B 稍大于 3/4 L1 时直接放弃全载，存在优化断档。
|
||||
4. **fixpipe 优化覆盖窄**：仅 `K≤256 ∧ M≥256 ∧ N 不对齐` 场景触发，其它 Fixpipe Bound 场景（如更小 K）未覆盖。
|
||||
5. **GM 带宽未区分读写**：`GetHbmBW` 统一按 `32核·31B/拍` 换算，未区分读/写共享 1.6TB/s 的竞争，可能高估有效带宽。
|
||||
6. **FP32 高精度（isForceGrpAccForFp32）的退化分支覆盖不全**：M==1/N==1 的 FP16/BF16 场景无对应 AIV 退化分支，仍走 Cube。
|
||||
|
||||
---
|
||||
|
||||
## 附录：关键源码文件索引
|
||||
|
||||
| 层 | 文件 | 内容 |
|
||||
|---|---|---|
|
||||
| Host | `op_host/op_tiling/arch35/matmul_v3_tiling_strategy.h` | 分支优先级定义 |
|
||||
| Host | `op_host/op_tiling/arch35/matmul_tiling_registry.h` | 策略注册与 DoTilingImpl 调度 |
|
||||
| Host | `op_host/op_tiling/arch35/matmul_v3_tiling_advanced.cpp` | 主入口 + 各 Phase |
|
||||
| Host | `op_host/op_tiling/arch35/matmul_v3_tiling_helper.cpp` | ResetBase/GetRebalanceBlock/CalL1Tiling/GetL0C2Out |
|
||||
| Host | `op_host/op_tiling/arch35/matmul_v3_basic_streamk_tiling.cpp` | StreamK/DPSK 条件与 tiling |
|
||||
| Host | `op_host/op_tiling/arch35/matmul_v3_basic_aswt_tiling.cpp` | ASWT 子分支（全载/fixpipe） |
|
||||
| Host | `op_host/op_tiling/arch35/matmul_v3_{k_equal_zero,to_mul,to_multi_mul,asw}_tiling.cpp` | 其余分支 |
|
||||
| Device | `op_kernel/arch35/mat_mul_v3.cpp` | kernel 入口 if constexpr 分发 |
|
||||
| Device | `op_kernel/arch35/mat_mul_v3_tiling_key_public.h` | 枚举定义 |
|
||||
| Device | `op_kernel/arch35/mat_mul_tiling_data.h` | tiling data 结构 |
|
||||
| Device | `op_kernel/arch35/block_scheduler_aswt.h` | ASWT swizzle（SWAT+蛇形+尾轮） |
|
||||
| Device | `op_kernel/arch35/block_scheduler_streamk.h` | StreamK swizzle（DP/SK） |
|
||||
| Device | `op_kernel/arch35/mat_mul_asw_block.h` / `mat_mul_asw_kernel.h` | 老接口 ASW 块调度与主循环 |
|
||||
| Device | `op_kernel/arch35/mat_mul_{al1,bl1}_full_load.h` | A/B 全载 kernel 模板 |
|
||||
| Device | `op_kernel/arch35/mat_mul_streamk.h` / `mat_mul_fixpipe.h` / `mat_mul_basic_split_k.h` | StreamK/Fixpipe/SplitK 模板 |
|
||||
Reference in New Issue
Block a user