diff --git a/BMM算子优化分析_Release/BMM算子优化分析_v0.91.html b/BMM算子优化分析_Release/BMM算子优化分析_v0.91.html index 6be257f..726da8c 100644 --- a/BMM算子优化分析_Release/BMM算子优化分析_v0.91.html +++ b/BMM算子优化分析_Release/BMM算子优化分析_v0.91.html @@ -170,11 +170,27 @@ $$

K 截断时 MergeBatch 的 $k_{L1}$ 不减半 → 每分块计算量 $b_0^2$ 倍（而非 $b_0$ 倍）→ drain 惩罚更大。小 MN 时 $T_{comp}$ 小 → penalty 小 → MergeBatch 更容易赢；大 B 时 $b_{core}$ 大 → 边界节省多 → MergeBatch 更容易赢。

条件 1（$b_{core} \ge 2b_0$）是该分界在典型 $T_{bd}$ 下的保守近似。精确边界依赖 $T_{bd}$ 实测标定。

**$T_{bd}$ 的物理成因**（batch 边界处硬件必须完成的固定动作）：

+

从 IterBatch 的 kernel 侧源码（cmct/block/block_mmad_iterbatch.h）可直接观察到 batch 边界的 Set/Wait 同步序列：

+
   // 当前 batch 最后一个 K 分块结束后：
+   SetFlag<M_FIX>(l0cEventID_ & 0x1);     // Cube → fixpipe: "L0C 可以排空"
+   WaitFlag<M_FIX>(l0cEventID_ & 0x1);    // 等 fixpipe 确认开始 ← 串行握手，不可掩盖
+   CopyOut(cTensor, c1Local_[...]);        // fixpipe 排空 L0C
+   SetFlag<FIX_M>(l0cEventID_ & 0x1);     // fixpipe → Cube: "L0C 已空"
+   // 下一 batch 第一个 K 分块：
+   WaitFlag<FIX_M>(l0CEventID_ & 0x1);    // 等 L0C 可用（被 L0C 双缓冲掩盖）
+

$T_{bd}$ 由三个部分组成：

    -
  1. Fixpipe 重配置：每 batch 输出写往 GM 不同地址区域，fixpipe 需重配目标地址、步长等寄存器——每次排空的固定设置开销；
    2. -
  2. L0C 缓冲区切换握手：L0C 双缓冲——Cube 往一半写、fixpipe 从另一半读。batch 边界处 Cube 须等 fixpipe 的 unitflag 确认已开始读当前半区，才能往另一半写新 batch 的部分和——同步握手有固定延迟；
    3. +
  3. Fixpipe 启动握手（WaitFlag<M_FIX>）：fixpipe 从收信号到启动排空的延迟——地址/步长寄存器重配置（每 batch 输出写往 GM 不同区域）。串行、不可掩盖，是 $T_{bd}$ 的主要成分；
    4. +
  4. L0C 缓冲区切换（WaitFlag<FIX_M>）：L0C 双缓冲——Cube 写一半、fixpipe 读另一半。被双缓冲掩盖，不贡献 $T_{bd}$；
  5. Cube 流水线重建：systolic array 在新 batch 首个 K 分块时需重新填充——fill 开销与 tile 尺寸无关，是固定成本。
+

证据来源：

+ + + + +
证据文件内容
MMAD→Fixpipe 同步开销存在CANN社区版9.2.0-beta.1/02_API参考/AscendC_API/180_..._UnitFlag.md"未开启UnitFlag功能时，MMAD和FIXPIPE是指令级别的同步……流水串行"；实测 7.3% 改善（M=128,N=30720,K=64）
同步指令是高开销指令CANN社区版9.2.0-beta.1/01_AscendC算子开发/260_..._SIMT算子性能优化.md"除法、取模、同步、原子操作等都属于高开销指令"
编译器默认插入同步指令CANN社区版9.2.0-beta.1/01_AscendC算子开发/048_..._算子编译基本用法.md"默认会插入内存同步指令……这些同步指令会带来性能开销"
同步机制是架构级关注点00_硬件/昇腾950_NPU架构白皮书.pdf §4.1.6新增 BufferID 同步机制替代 set_flag/wait_flag——"降低了同步的复杂度"
+

$T_{bd}$ ≈ fixpipe 启动握手延迟（寄存器写入 + DMA 启动），量级估计为数十 ns。知识库未给出精确数值，需实测标定。

这些开销与 batch 的计算量无关，是每次 batch 切换的固定成本。大 batch 时被大量计算分摊，占比可忽略；小 batch 时每个 batch 绝对时延短，边界开销占比显著。MergeBatch 把 $b_0$ 个 batch 并为一次大矩阵计算，边界数降 $b_0$ 倍——这是 MergeBatch 的结构性收益来源。

MergeBatch vs IterBatch 优势总结：

维度IterBatchMergeBatch差异来源