755 lines
51 KiB
HTML
755 lines
51 KiB
HTML
<!DOCTYPE html>
|
||
<html lang="zh-CN">
|
||
<head>
|
||
<meta charset="UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1.0">
|
||
<title>Batch Matmul 算子特性分析</title>
|
||
<script id="MathJax-script" async src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-mml-chtml.js"></script>
|
||
<script>
|
||
MathJax = {
|
||
tex: {
|
||
inlineMath: [['$','$'], ['\\(','\\)']],
|
||
displayMath: [['$$','$$'], ['\\[','\\]']],
|
||
tags: 'ams'
|
||
}
|
||
};
|
||
</script>
|
||
<style>
|
||
:root{--bg:#fefefe;--panel:#1a2230;--ink:#1f2933;--muted:#5f6b7a;--accent:#0b6bcb;--accent2:#0e9f6e;--warn:#b45309;--line:#d9e2ec;--code-bg:#f4f6f9;--hl:#fff7e6}
|
||
*{box-sizing:border-box}
|
||
body{font-family:"PingFang SC","Microsoft YaHei","Helvetica Neue",Arial,sans-serif;color:var(--ink);background:#eef2f6;margin:0;line-height:1.8}
|
||
.page{max-width:1020px;margin:0 auto;padding:32px 44px 80px;background:#fff;box-shadow:0 0 24px rgba(0,0,0,.06)}
|
||
h1{font-size:28px;border-bottom:3px solid var(--accent);padding-bottom:12px;margin-top:8px}
|
||
h2{font-size:22px;margin-top:48px;border-left:6px solid var(--accent);padding-left:12px;color:#0b3d73}
|
||
h3{font-size:18px;margin-top:32px;color:#0b3d73;border-bottom:1px dashed var(--line);padding-bottom:6px}
|
||
table{border-collapse:collapse;width:100%;margin:14px 0;font-size:14px}
|
||
th,td{border:1px solid var(--line);padding:7px 10px;text-align:left;vertical-align:top}
|
||
th{background:#eaf2fb;color:#0b3d73;white-space:nowrap}
|
||
tr:nth-child(even) td{background:#f8fafc}
|
||
code,pre{font-family:"JetBrains Mono",Consolas,Menlo,monospace;font-size:13px}
|
||
code{background:var(--code-bg);padding:1px 5px;border-radius:4px;color:#9d2c5e}
|
||
pre{background:var(--code-bg);border:1px solid var(--line);border-radius:8px;padding:14px;overflow-x:auto;line-height:1.55}
|
||
pre code{background:none;color:#243447;padding:0}
|
||
blockquote{background:#eafaf3;border-left:5px solid var(--accent2);padding:10px 16px;border-radius:0 8px 8px 0;margin:14px 0;color:#243447}
|
||
blockquote p{margin:0}
|
||
.meta{color:var(--muted);font-size:13px;margin-bottom:24px}
|
||
</style>
|
||
</head>
|
||
<body>
|
||
<div class="page">
|
||
<h1>Batch Matmul 算子特性分析</h1>
|
||
<blockquote>
|
||
<p>版本：v1.0 | 目标芯片：DV100（与昇腾 950PR / DAV_3510 同档：32 AIC / 64 AIV，GM 1.6TB/s，L2 128MB / 5.2TB/s）
|
||
本文目标：任意 shape/dtype/layout 的 BMM case，都能系统地推导出其在 NPU 上的<strong>最优软件实现方案</strong>（端到端总时延最短），并论证分支体系的完备性与极小性。
|
||
阅读主线：第 1 章定义问题 → 第 2 章定义"最优" → 第 3 章推导分支划分 → 第 4 章逐分支给出进入条件与实现方案 → 第 5 章决策流程 → 第 6 章完备性审视（漏洞检查）。</p>
|
||
</blockquote>
|
||
<hr />
|
||
<h2>1. 算子功能与接口</h2>
|
||
<h3>1.1 算子功能</h3>
|
||
<p>Batch Matmul（BMM）完成<strong>带 batch 维的矩阵乘</strong>计算：对 batch 维的每个索引独立执行一次矩阵乘，再加可选偏置：</p>
|
||
<p>$$
|
||
C[b, m, n] = \sum_{k=0}^{K-1} A[b, m, k] \cdot B[b, k, n] + bias[b, 1, n]
|
||
$$</p>
|
||
<p>即 <code>C = A @ B + bias</code>。A、B 输入维度典型为 3 维（支持最多 4 级 batch 维 $b = b_0 b_1 b_2 b_3$ 展平），最后两维做矩阵乘。</p>
|
||
<h3>1.2 接口参数</h3>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>参数</th>
|
||
<th>形状</th>
|
||
<th>数据类型</th>
|
||
<th>layout</th>
|
||
<th>说明</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>左矩阵 A</td>
|
||
<td><code>[BatchA, M, K]</code></td>
|
||
<td>dtype（FP16/BF16/FP8/…）</td>
|
||
<td>典型 ND</td>
|
||
<td>可带转置标记（isATrans）</td>
|
||
</tr>
|
||
<tr>
|
||
<td>右矩阵 B</td>
|
||
<td><code>[BatchB, K, N]</code></td>
|
||
<td>dtype</td>
|
||
<td>典型 ND</td>
|
||
<td>可带转置标记（isBTrans），推理场景可为 weightNz</td>
|
||
</tr>
|
||
<tr>
|
||
<td>偏置 bias</td>
|
||
<td><code>[B, 1, N]</code></td>
|
||
<td>dtype</td>
|
||
<td>固定 ND</td>
|
||
<td>可为空</td>
|
||
</tr>
|
||
<tr>
|
||
<td>输出 C</td>
|
||
<td><code>[BatchC, M, N]</code></td>
|
||
<td>dtype（可随路量化）</td>
|
||
<td>典型 ND</td>
|
||
<td>BatchC = broadcast(BatchA, BatchB)</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<p><strong>广播语义</strong>：batch 维兼容广播——每一级 batch 维上，两侧取值要么相等、要么为 1；输出该维取两者的最大值。注意两类广播的形态差异：</p>
|
||
<ul>
|
||
<li><strong>单边全广播</strong>：<code>BatchA = 1</code> 或 <code>BatchB = 1</code>（一侧整体只有 1 个 batch）；</li>
|
||
<li><strong>交叉广播</strong>：两侧均大于 1 但不同级为 1，例如 <code>BatchA = (6,1)</code>、<code>BatchB = (1,6)</code>，则 <code>BatchC = (6,6)</code> 共 36 个输出 batch。这类 case <strong>不属于</strong>单边广播，后面第 3、6 章会看到它只能落入通用分支。</li>
|
||
</ul>
|
||
<h3>1.3 case 空间：决定实现方式的特征量</h3>
|
||
<p>一个 BMM case 的实现方式完全由以下特征量决定：</p>
|
||
<p>$$
|
||
(\; B,\; M,\; N,\; K,\; \text{dtype},\; \text{layout/转置},\; \text{广播形态} \;)
|
||
$$</p>
|
||
<p>其中 $B$ = BatchC（展平后的输出 batch 数）。后续全部分析就是回答：<strong>给定这组特征量，最优实现是什么。</strong></p>
|
||
<hr />
|
||
<h2>2. 性能模型：什么叫"最优"</h2>
|
||
<h3>2.1 总时延 = 流水线最慢的一级</h3>
|
||
<p>NPU 上 BMM 的执行是核内多级硬件流水的并行——Cube 计算（MMAD）、GM/L2→L1 搬移（MTE2）、L1→L0 搬移（MTE1）、L0C 写出（Fixpipe），多核并行时各流水级时延可被双缓冲（double buffer）等机制相互掩盖，最终：</p>
|
||
<p>$$
|
||
\boxed{\;T_{total} = \max\big(T_{MMAD},\; T_{MTE2},\; T_{MTE1},\; T_{Fixpipe}\;[,\;T_{Reduce}]\big)\;}
|
||
$$</p>
|
||
<p><strong>算子优化的关键就是对瓶颈流水级的优化。</strong> 由此直接得出一个重要的设计自由度——<strong>瓶颈交换</strong>：</p>
|
||
<blockquote>
|
||
<p>当 MTE2（搬移）是瓶颈、MMAD（计算）不是瓶颈时，可以牺牲一定 MMAD 时延（例如冗余计算）换取 MTE2 性能提升；反之，当 MMAD 是瓶颈时，可以牺牲一定 MTE2 时延（例如重复搬移）换取计算效率提升。只要瓶颈级时延下降，总时延就下降。</p>
|
||
</blockquote>
|
||
<p>后文会看到：<strong>MergeBatch 就是"牺牲算力换搬移效率"的典型，ASW_Basic 切 M/N 就是"牺牲搬移（重复读）换并行度"的典型</strong>——它们的存在正当性都来自这个 max 模型。</p>
|
||
<h3>2.2 目标芯片关键规格与经验常数</h3>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>规格项</th>
|
||
<th>数值</th>
|
||
<th>对设计的意义</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>AIC / AIV 核数</td>
|
||
<td>32 / 64（1:2）</td>
|
||
<td>核间并行度上限 $C = 32$；StreamK 归约可用 AIV</td>
|
||
</tr>
|
||
<tr>
|
||
<td>Cube 算力 FP16/BF16</td>
|
||
<td>≈486 TFLOPS（单核 ≈ 16×16×16 MAC/拍）</td>
|
||
<td>算存比分子</td>
|
||
</tr>
|
||
<tr>
|
||
<td>GM 带宽</td>
|
||
<td>1.6 TB/s（读写共享总线）</td>
|
||
<td>访存 Bound 的分母；读+写互相挤占</td>
|
||
</tr>
|
||
<tr>
|
||
<td>L2 Cache</td>
|
||
<td>128MB，5.2 TB/s（读写各独享）</td>
|
||
<td>重复读取的吸收层；Cube 输出写 L2 即算完成</td>
|
||
</tr>
|
||
<tr>
|
||
<td>L1 / L0A / L0B / L0C</td>
|
||
<td>512KB / 64KB / 64KB / 256KB（每 AIC）</td>
|
||
<td>核内分块的容量约束；L0C 按 FP32 累加计</td>
|
||
</tr>
|
||
<tr>
|
||
<td>UB</td>
|
||
<td>512KB（每 AIV）</td>
|
||
<td>向量通路/归约</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<p><strong>GM→L1 搬移效率（ND2NZ）达到 90%+ 带宽利用率的四条经验约束</strong>（DV100 实测，重要性递减）：</p>
|
||
<ol>
|
||
<li><strong>参与核数</strong>：建议 32 核并行搬移，至少 3/4 核（24 核）并发——核数不足时带宽利用率上限被压低；</li>
|
||
<li><strong>单核搬移数据总量</strong> ≥ 480KB（<code>min_DatamountPerCore</code>）；</li>
|
||
<li><strong>单次搬移 tile 大小</strong> ≥ 16KB（<code>min_TileSize</code>）；</li>
|
||
<li><strong>dValue</strong>（单次搬移的连续内轴字节数，如非转置 A 的 K 向、非转置 B 的 N 向）≥ 128B，建议 256B，最好 512B。</li>
|
||
</ol>
|
||
<blockquote>
|
||
<p>这些常数（480KB、16KB、256B/512B，以及后文的 $b_{thr}=4$、$k_{thr}$=32B/dtype、$minCoreNum \approx 0.8 \times 32$）都是<strong>该档芯片的实测经验值</strong>；换芯片时本文的所有逻辑结构不变，只需替换常数表。</p>
|
||
</blockquote>
|
||
<h3>2.3 算存比与 Bound 判定</h3>
|
||
<p><strong>约定</strong>：以"元素"为访存单位（1 元素 = dtype 字节），算存比单位为 FLOP/元素。</p>
|
||
<ul>
|
||
<li>case 的固有算存比（不计输出写出）：</li>
|
||
</ul>
|
||
<p>$$
|
||
AI = \frac{2MNK}{(MK + KN)} = \frac{2MN}{M + N} \quad [\text{FLOP/元素}]
|
||
$$</p>
|
||
<ul>
|
||
<li>计入输出写出（写 L2/GM）的完整算存比：</li>
|
||
</ul>
|
||
<p>$$
|
||
AI_{full} = \frac{2MNK}{MK + KN + MN} \quad [\text{FLOP/元素}]
|
||
$$</p>
|
||
<ul>
|
||
<li>芯片硬件平衡点（该 dtype 位宽下）：</li>
|
||
</ul>
|
||
<p>$$
|
||
R = \frac{\text{Cube 峰值算力}}{\text{GM 带宽} / \text{dtype 字节}} = \frac{486 \times 2}{1.6} \approx 607.5 \quad [\text{FLOP/元素，BF16/FP16}]
|
||
$$</p>
|
||
<p><strong>判定规则</strong>：$AI < R$ → 访存 Bound（瓶颈在 MTE2，优化重心是搬移效率与复用）；$AI > R$ → 计算 Bound（瓶颈在 MMAD，优化重心是 Cube 利用率与流水掩盖）。注意一个有用的事实：低位宽 dtype（FP8、MXFP4）算力同倍数翻倍而元素字节同倍数减半，$R$ 近似不变，因此该平衡点对该芯片各低位宽 dtype 通用。</p>
|
||
<p><strong>大白话</strong>：矩阵乘就像搬砖盖楼——Cube 是起重机（算力），GM 带宽是供货卡车（带宽）。算存比就是"每块砖要盖多少平米"。每块砖盖的平米数低于起重机的额定配比时，楼永远盖不快，问题出在供货而不在起重机——这时候优化要围绕"怎么少堵车、怎么一次多运点"，而不是换更大的起重机。</p>
|
||
<hr />
|
||
<h2>3. 分支划分的系统推导</h2>
|
||
<p>本章是全文逻辑主线：<strong>从分块计算的本质出发，不靠经验罗列，推导出五大分支的划分。</strong></p>
|
||
<h3>3.1 分块计算的本质与四个可切维度</h3>
|
||
<p>BMM 在 NPU 上实现的本质是：把参与计算的数据分块（tile），由 32 个 AIC 核<strong>并行 + 串行</strong>地完成这些分块的计算，再组合成最终结果：</p>
|
||
<p>$$
|
||
C[B, M, N] = \sum_{\kappa} A[B, M, K_\kappa] @ B[B, K_\kappa, N]
|
||
$$</p>
|
||
<p>分块有 4 个维度：<strong>B、M、N、K</strong>。<strong>核间怎么分这 4 个维度，就是分支划分的第一性问题</strong>（核内分块是第二性问题，属于各分支内部的 tiling）。</p>
|
||
<h3>3.2 四个维度的切分特征：一张决定性的表</h3>
|
||
<p>从"读入 / 计算 / 写出"三个视角考察每个维度的核间切分特征（这是后续一切推导的基石）：</p>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>切分维度</th>
|
||
<th>读入特征</th>
|
||
<th>计算特征</th>
|
||
<th>写出特征</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td><strong>切 B</strong></td>
|
||
<td>每个数据块只被固定的 1 个核读取，核间<strong>零重复读</strong></td>
|
||
<td>每个输出块由 1 个核独立完成，<strong>无核间依赖</strong></td>
|
||
<td>只写最终结果，无中间结果</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>切 M / 切 N</strong></td>
|
||
<td>切 M 则同一右矩阵块被多核<strong>重复读</strong>；切 N 则同一左矩阵块被多核重复读</td>
|
||
<td>每个输出块由 1 个核独立完成，无核间依赖</td>
|
||
<td>只写最终结果，无中间结果</td>
|
||
</tr>
|
||
<tr>
|
||
<td><strong>切 K</strong></td>
|
||
<td>每个数据块只被固定的 1 个核读取，零重复读</td>
|
||
<td>每个输出块由<strong>多核共同</strong>完成，存在核间依赖</td>
|
||
<td><strong>有中间结果写出</strong>，需核间 Reduce 归约</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<p>为什么特征差异这么大？两条硬件层面的根本原因：</p>
|
||
<ul>
|
||
<li><strong>B 维在数学上独立</strong>（BMM 语义就是逐 batch 独立矩阵乘），所以切 B 天然零重复、零依赖；</li>
|
||
<li><strong>K 维有 L0C 累加机制</strong>：核内切 K 时，$\tilde K$ 轮 mmad 在 256KB 的 L0C 上原地累加（<code>cmatrixInitVal=false</code>），中间结果不出核。一旦把 K 切到<strong>核间</strong>，单核的 L0C 装不下"别的核算的 K 段"，部分和必须写出到 GM/L2 workspace，再由 AIV 归约——<strong>切 K 是唯一同时破坏"累加不出核"和"输出独占"两条性质的切法</strong>。</li>
|
||
</ul>
|
||
<h3>3.3 完备枚举：15 种核间切分组合</h3>
|
||
<p>4 个维度的任意非空子集都可作为一种核间切分方案，共 $2^4 - 1 = 15$ 种：</p>
|
||
<p>$$
|
||
\{B\},\{M\},\{N\},\{K\},\{B,M\},\{B,K\},\{B,N\},\{M,K\},\{M,N\},\{K,N\},\{B,M,K\},\{B,M,N\},\{B,K,N\},\{M,K,N\},\{B,M,K,N\}
|
||
$$</p>
|
||
<p>任何实现方案必属于其中一种 ⇒ 这 15 种是<strong>完备的</strong>。按 §3.2 的特征分组：</p>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>组</th>
|
||
<th>组合</th>
|
||
<th>共同特征</th>
|
||
<th>优化重心</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>纯 B</td>
|
||
<td>{B}</td>
|
||
<td>零重复读，读写数据量固定</td>
|
||
<td>访存 Bound：搬移效率高；计算 Bound：计算效率高</td>
|
||
</tr>
|
||
<tr>
|
||
<td>含 M/N 不含 K</td>
|
||
<td>{M},{N},{M,N},{B,M},{B,N},{B,M,N}</td>
|
||
<td>可能有重复读</td>
|
||
<td>访存 Bound：重复读尽量少 + 搬移效率高；计算 Bound：计算效率高</td>
|
||
</tr>
|
||
<tr>
|
||
<td>含 K</td>
|
||
<td>{K},{B,K},{M,K},{K,N},{B,M,K},{B,K,N},{M,K,N},{B,M,K,N}</td>
|
||
<td>有中间结果写出 + 归约</td>
|
||
<td>计算效率高，且归约引入的额外 MTE2/Fixpipe 时延不能成为新瓶颈</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<h3>3.4 代价不对称性：切分维度的"价格表"</h3>
|
||
<p>15 种组合的<strong>代价结构只由两个布尔特征决定</strong>——是否含 K、是否含 M/N。三个维度的"核间切分价格"严格排序：</p>
|
||
<p>$$
|
||
\text{cost}(\text{切}B) = 0 \;<\; \text{cost}(\text{切}M/N) \;\ll\; \text{cost}(\text{切}K)
|
||
$$</p>
|
||
<ul>
|
||
<li><strong>切 B 免费</strong>：零重复读、零依赖、零中间写出；</li>
|
||
<li><strong>切 M/N 廉价但有价</strong>：共享矩阵被重复读，但若共享部分能驻留 128MB L2，重复读以 5.2TB/s 命中 L2 而非 1.6TB/s 的 GM——代价大部分被 L2 吸收；配合 swizzle（执行顺序编排）压缩同时活跃的工作集，代价进一步压低；</li>
|
||
<li><strong>切 K 昂贵</strong>：归约流量 $T_{Reduce} \propto grid_K \times$ 输出量，且引入核间同步——这是结构性代价，L2 吸收不掉。</li>
|
||
</ul>
|
||
<p><strong>"价格表"不是经验，是 BMM 语义 + L0C 累加机制 + L2/GM 带宽结构三条事实的推论。</strong> 整条分支决策树就是一句话：<strong>按价格从低到高购买并行度，买不够才加价。</strong></p>
|
||
<h3>3.5 推导主链：从价格表到五大分支</h3>
|
||
<p><strong>第 0 层：问题归约（能降维就不在 BMM 本体里解决）。</strong></p>
|
||
<ul>
|
||
<li>若 <code>BatchA = 1</code> 或 <code>BatchB = 1</code>，BMM 可通过维度折叠<strong>转化为普通 Matmul</strong>，直接复用 Matmul 的成熟优化体系（tiling、L2 切分、全载），不必在 BMM 框架内重新发明轮子 → <strong>分支一：转Matmul</strong>；</li>
|
||
<li>退化 case（K=0 无计算、K=1 无累加深度）让 Cube 完全或几乎无用，改走 AIV 向量通路——这属于"计算通路选择"，是正交于切分的前置判断（见 4.0）。</li>
|
||
</ul>
|
||
<p><strong>第 1 层：归约不掉的 case（BatchA = BatchB = B > 1，K ≥ 2），必须在 BMM 框架内组织 4 维分块。先买免费的 B 维。</strong></p>
|
||
<ul>
|
||
<li>$B \ge C = 32$ 时，切 B 就能填满核。此时分两种情形：
|
||
<ul>
|
||
<li><strong>单 batch 的 $M \times N$ 够大</strong>（能开出大 tile、L0C 利用率高、Cube 喂得饱）→ 每核逐个 batch 做完整 Matmul 就是最优，任何额外切分只增代价 → <strong>分支二：IterBatch</strong>；</li>
|
||
<li>**单 batch 的 $M \times N$ 太小**（如 64×64，L0C 利用率仅 6.25%，Cube 大片闲置）→ 把多个 batch 在核内合并成大 tile 计算（$[bM,K]@[K,bN]$，取块对角线输出），用冗余算力换 Cube 利用率与搬移效率。这类 case $AI$ 低、天然访存 Bound，浪费的算力被搬移时延掩盖（§2.1 瓶颈交换）→ <strong>分支三：MergeBatch</strong>。</li>
|
||
</ul>
|
||
</li>
|
||
</ul>
|
||
<p><strong>第 2 层：免费的 B 买不满 32 核，加价买廉价的 M/N。</strong></p>
|
||
<ul>
|
||
<li>$B < 32$ 但 $P = B \times \lceil M/16 \rceil \times \lceil N/16 \rceil \ge 32$（M/N 平面的分块补得上并行缺口）→ 切 M/N（或混合切），共享矩阵的重复读交给 L2 + swizzle 吸收。这是"所有不切 K、含共享读取切法"的通用框架 → <strong>分支四：ASW_Basic</strong>。</li>
|
||
</ul>
|
||
<p><strong>第 3 层：廉价维度也买不满，才买昂贵的 K。</strong></p>
|
||
<ul>
|
||
<li>$P < 32$（B、M、N 都小，通常 K 大）→ 唯一剩余的并行维度是 K。付归约代价换并行度，当且仅当并行收益 > 归约代价（定量条件见 4.4）→ <strong>分支五：StreamK</strong>。</li>
|
||
</ul>
|
||
<pre><code>case (B, M, N, K, dtype, layout, 广播形态)
|
||
│
|
||
▼
|
||
[0] K=0? → AIV 清零；K=1? → AIV 逐元素乘 ← 前置通路层（正交于切分）
|
||
│ K ≥ 2
|
||
▼
|
||
[1] BatchA=1 或 BatchB=1? ──是──→ 转Matmul（问题归约，复用 Matmul 体系）
|
||
│ 否（BatchA=BatchB=B>1，或交叉广播）
|
||
▼
|
||
[2] 并行度账本：P = B·⌈M/16⌉·⌈N/16⌉ 与 C=32 比较
|
||
│
|
||
├─ B ≥ 32（切 B 可满核）─────────────────────────┐
|
||
│ M×N 大，Cube 饱 → IterBatch │
|
||
│ M×N 小，Cube 饿，且访存 Bound → MergeBatch │
|
||
│ │
|
||
├─ B < 32 且 P ≥ 32 → ASW_Basic（切 M/N 补并行， │
|
||
│ 共享读取由 L2+swizzle 吸收） │
|
||
│ │
|
||
└─ P < 32（B/M/N 用尽仍缺并行，K 大）→ StreamK │
|
||
（切 K 买并行，付归约代价）◀──────────────────┘
|
||
</code></pre>
|
||
<h3>3.6 完备性与极小性：五大分支不多不少</h3>
|
||
<p><strong>完备性</strong>。对归约不掉的 case，15 种组合按"（是否含 K，是否含 M/N）"坍缩：</p>
|
||
<ul>
|
||
<li>含 K 的 8 种：代价结构相同（必付归约），grid_K × grid_B × grid_M × grid_N 只是参数差异 ⇒ 1 个分支（StreamK）统一覆盖；</li>
|
||
<li>不含 K 含 M/N 的 6 种：代价结构相同（共享重复读）⇒ 1 个分支（ASW_Basic）统一覆盖；</li>
|
||
<li>纯 {B} 的 1 种：核内组织只有两种本质不同的方式——<strong>合并多 batch 一起算</strong>（MergeBatch）或<strong>逐个 batch 算</strong>（IterBatch），不存在第三种 ⇒ 2 个分支。</li>
|
||
</ul>
|
||
<p>$1 + 1 + 2 = 4$，加上第 0 层的归约分支（转Matmul）= <strong>5</strong>。任何合法 case 必落其一，无空洞。</p>
|
||
<p><strong>极小性</strong>。每个分支都有它"唯一最优"的 shape 区域，去掉任何一个都会有 case 失去最优实现：</p>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>分支</th>
|
||
<th>独占最优的代表 case（BF16）</th>
|
||
<th>替代方案为何更差</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>转Matmul</td>
|
||
<td>BatchB=1, B=128, M=N=K=2048</td>
|
||
<td>免费折叠后 Matmul 体系的 L2 切分/全载直接可用；BMM 分支内重做一遍无收益</td>
|
||
</tr>
|
||
<tr>
|
||
<td>IterBatch</td>
|
||
<td>B=32, M=N=K=4096</td>
|
||
<td>ASW 切 M/N 引入无谓共享读；MergeBatch 引入无谓冗余算力</td>
|
||
</tr>
|
||
<tr>
|
||
<td>MergeBatch</td>
|
||
<td>B=128, M=32, N=128, K=64</td>
|
||
<td>IterBatch 的 L0C 利用率仅 ~1.6%，Cube 空转，搬移 tile 碎（<16KB）带宽利用率崩</td>
|
||
</tr>
|
||
<tr>
|
||
<td>ASW_Basic</td>
|
||
<td>B=2, M=N=8192, K=1024</td>
|
||
<td>切 B 仅 2 核干活；StreamK 付无谓归约</td>
|
||
</tr>
|
||
<tr>
|
||
<td>StreamK</td>
|
||
<td>B=1, M=N=64, K=65536</td>
|
||
<td>不切 K 时 P=16 < 32，近半核闲置，时延差数量级</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<p>⇒ 五大分支构成<strong>极小完备集</strong>。</p>
|
||
<h3>3.7 大白话总结</h3>
|
||
<blockquote>
|
||
<p>把 BMM 想成给 32 个工人分一批"矩阵乘订单"：</p>
|
||
<ul>
|
||
<li><strong>能整单外包的就别自己干</strong>：一侧只有一个 batch，问题其实就是一次普通矩阵乘，直接交给成熟的 Matmul 产线（转Matmul）；</li>
|
||
<li><strong>按订单分（切 B）最省心</strong>：每人几单，互不干扰（零重复搬料、零协调）。订单多时，单大就一单接一单干（IterBatch）；单太小时一人同时干几单、拼成大活干，虽然多做了点无用功，反正瓶颈在等料不在干活（MergeBatch）；</li>
|
||
<li><strong>订单不够分，就按行/列拆单（切 M/N）</strong>：大家会重复领同一份料，但料放在近处仓库（L2），多跑几趟近仓库很便宜（ASW_Basic）；</li>
|
||
<li><strong>行/列也不够拆，只好沿深度 K 拆</strong>：几个人合做同一块输出，各算一段再汇总——汇总是要额外开会的（Reduce），所以只在实在分不满、且 K 足够长时才这么干（StreamK）。</li>
|
||
</ul>
|
||
</blockquote>
|
||
<hr />
|
||
<h2>4. 各分支详解：进入条件与实现方案</h2>
|
||
<blockquote>
|
||
<p>每节按统一结构展开：<strong>做什么（定义）→ 什么时候进（进入条件逐条 + 每条的理由）→ 怎么做（实现方案与参数求解）→ 与源码对照（批判性）</strong>。</p>
|
||
</blockquote>
|
||
<h3>4.0 前置通路层：K 退化 case</h3>
|
||
<p>在切分决策之前先做计算通路判断：</p>
|
||
<ul>
|
||
<li><strong>K = 0</strong>：无任何计算，C = bias 或 0，纯 AIV 写值；</li>
|
||
<li><strong>K = 1</strong>：退化为逐元素乘 <code>C = A ⊙ B</code>，无累加深度，Cube 的 16×16×16 粒度浪费 15/16，走 AIV 向量通路（GM→UB→Mul→GM）远优于 Cube 通路。</li>
|
||
</ul>
|
||
<p>这一层与"切分维度"正交：<strong>五大分支管理的都是 Cube 通路上的 case（K ≥ 2）</strong>。K 极小（如 K < 16，不足一个 fractal）时同理应优先考虑向量通路或尾部补齐。</p>
|
||
<h3>4.1 转Matmul（问题归约分支）</h3>
|
||
<p><strong>做什么</strong>：当 <code>BatchA = 1</code> 或 <code>BatchB = 1</code> 时，把 batch 维折叠进矩阵维度，转化为普通 Matmul，计算完成后按需恢复 batch 维。</p>
|
||
<p><strong>为什么这么做</strong>：单边 batch=1 的 BMM 与普通 Matmul 在数学上只差一个维度标签。Matmul 的优化体系（L2 切分、AL1/BL1 全载、swizzle）比 BMM 各分支在"单样本"情形下更成熟——<strong>站在巨人肩膀上，不重复造轮子</strong>。BMM 本体只研究相对 Matmul 有差异化的 case（双侧 batch > 1）。</p>
|
||
<p><strong>折叠规则与代价（关键的不对称性）</strong>：</p>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>情形</th>
|
||
<th>折叠方式</th>
|
||
<th>是否免费</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td><code>BatchB = 1</code></td>
|
||
<td>左矩阵 <code>[B, M, K]</code> 的 batch 维与 M 维在 ND 布局下<strong>内存相邻</strong>，直接视图为 <code>[B·M, K]</code>；输出 <code>[B·M, N]</code> 与 <code>[B, M, N]</code> 的内存布局逐元素一致</td>
|
||
<td><strong>完全免费</strong>：零输入重排、零输出 split</td>
|
||
</tr>
|
||
<tr>
|
||
<td><code>BatchA = 1</code></td>
|
||
<td>需将右矩阵 <code>[B, K, N]</code> 折叠为 <code>[K, B·N]</code></td>
|
||
<td><strong>有代价</strong>：B 的 batch 维与 N 维在内存中不相邻（中间隔 K），折叠等价于一次 <code>[B,K,N]→[K,B,N]</code> 的转置重排（O(B·K·N) 读写），且输出 <code>[M, B·N]</code> 与目标 <code>[B, M, N]</code> 之间存在置换，需要随路 scatter</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<blockquote>
|
||
<p>这一不对称性是对"直接折叠"设想的必要修正（详见 6.2）。<code>BatchB = 1</code> 无脑走转Matmul；<code>BatchA = 1</code> 需比较"重排一次 B + Matmul 收益"与"广播友好的 IterBatch/ASW_Basic（A 驻留 L2/L1 天然共享，不重排任何数据）"——大 case 重排代价被摊薄，走转Matmul；小 case 直接走 BMM 分支。源码中的 <code>MergeBatchAndMAxis()</code> 只做了 batchB=1 方向的折叠，与"该方向免费"的判断互为印证。</p>
|
||
</blockquote>
|
||
<p><strong>进入条件</strong>：<code>BatchA = 1 || BatchB = 1</code>。其中 <code>BatchB = 1</code> 恒进；<code>BatchA = 1</code> 时按上述代价比较决定（决策规则见第 5 章）。</p>
|
||
<p><strong>BatchA = BatchB = 1</strong>：纯 Matmul，是转Matmul 的特例。</p>
|
||
<h3>4.2 MergeBatch（多 batch 合并计算）</h3>
|
||
<h4>4.2.1 做什么</h4>
|
||
<p>核间按 B 分核（每核负责 $b_{core}$ 个 batch），核间无同步无通信。核内<strong>将多个 batch 合并计算</strong>：</p>
|
||
<p>$$
|
||
[b, M, K] @ [b, K, N] \;\Rightarrow\; [bM, K] @ [K, bN] = [bM, bN] \;\xrightarrow{\text{BlockTrace}}\; [b, M, N]
|
||
$$</p>
|
||
<p>其中 <strong>BlockTrace</strong> 指以 $[M, N]$ 的 block 粒度取结果矩阵的块对角线作为各 batch 的有效输出：$C[i, m, n] = R[iM + m,; iN + n]$。交叉项（第 i 个 batch 的 A 乘第 j≠i 个 batch 的 B）被算出但丢弃——这就是"算力浪费"，浪费比例 $(b-1)/b$。</p>
|
||
<p><strong>为什么允许浪费</strong>：进入该分支的 case 必然是访存 Bound（条件三保证），瓶颈在 MTE2 不在 MMAD，浪费的算力被搬移时延掩盖（§2.1 瓶颈交换）——<strong>用本来闲置的 Cube 算力，换 tile 变大后的搬移效率与 Cube 利用率</strong>。</p>
|
||
<h4>4.2.2 进入条件（逐条 + 理由）</h4>
|
||
<p>设计原则四条：① 硬件时延可流水掩盖（double buffer 乒乓）；② 满足容量约束（每次计算 L1/L0A/L0B/L0C 放得下）；③ GM→L1 搬移高效（§2.2 四条经验约束）；④ 算力有浪费但计算不能成为瓶颈。</p>
|
||
<p>形式化后，进入 MergeBatch 需<strong>同时</strong>满足：</p>
|
||
<p><strong>条件 1（batch 够分且够合并）</strong>：<code>BatchA = BatchB</code>（无广播）且</p>
|
||
<p>$$
|
||
b_{core} = B / aicNum \ge b_{thr}
|
||
$$</p>
|
||
<p>$b_{thr}$ 是"多 batch 合并搬移能拿到效率收益"的最小合并数——$b$ 太小时合并的搬移收益抵不过实现复杂度，不如 IterBatch 且完全不浪费算力（功耗）。DV100 实测经验值 $b_{thr} = 4$。</p>
|
||
<p><strong>条件 2（合并数 b 的上下界）</strong>：设核内单次 Cube 计算合并 $b$ 个 batch（$b \le b_{core}$），要求 $b \ge b_{thr}$ 且 $b$ 由以下约束共同封顶：</p>
|
||
<ul>
|
||
<li><strong>算存比约束</strong>（计算不能变成瓶颈）：合并后单次计算的算存比 $AI(b) = \dfrac{2bMN}{M + N}$，保持访存 Bound 要求</li>
|
||
</ul>
|
||
<p>$$
|
||
AI(b) < R \;\Longleftrightarrow\; b < b_{AI} = \frac{R \cdot (M + N)}{2MN}
|
||
$$</p>
|
||
<ul>
|
||
<li><strong>L0C 容量约束</strong>：输出 $[bM, bN]$ 的 FP32 累加块须放入 256KB L0C；考虑乒乓（double buffer）则两份：</li>
|
||
</ul>
|
||
<p>$$
|
||
2 \cdot (bM)(bN) \cdot 4\text{B} \le 256\text{KB} \;\Rightarrow\; b \le b_{L0C}
|
||
$$</p>
|
||
<ul>
|
||
<li><strong>L0A/L0B 容量约束</strong>：$2 \cdot bM \cdot k_{L0} \cdot \text{dtype} \le 64\text{KB}$ 且 $2 \cdot k_{L0} \cdot bN \cdot \text{dtype} \le 64\text{KB}$（乒乓两份），同时 $k_{L0}$ 不得低于 Cube 分形下限（16bit 位宽下典型 min baseK = 16）。注意 L0AB 约束耦合 $k_{L0}$，需联合求解。</li>
|
||
</ul>
|
||
<blockquote>
|
||
<p>乒乓取舍：若 $b_{core}$ 小于"不乒乓时 L0C 允许的合并数上限"，说明 batch 余量不足，只能不乒乓（牺牲流水掩盖换合并数）；否则乒乓。形式上 $b_{max} = \min(b_{AI}, b_{L0C}^{(\text{是否乒乓})}, b_{core})$。</p>
|
||
</blockquote>
|
||
<p><strong>条件 3（访存 Bound 性质）</strong>：</p>
|
||
<p>$$
|
||
\frac{2MN}{M + N} < \frac{R}{b}
|
||
$$</p>
|
||
<p>即 case 固有算存比显著低于平衡点（低一个合并倍数 $b$ 的量级）——这是"浪费可被掩盖"的定量保证，也是条件 2 中 $b_{AI} > b$ 的另一写法。</p>
|
||
<p><strong>条件 4（K 向搬移效率）</strong>：L1 级 K 切分 $k_{L1} = K / StepK$（StepK 为正整数），要求 $k_{L1} \ge k_{thr}$，DV100 下 $k_{thr} = 32\text{B}/\text{dtype}$（BF16 即 16 元素）。理由：$k_{L1}$ 决定 ND2NZ 的 dValue，过碎则搬移指令效率崩（§2.2 第 4 条）。</p>
|
||
<p><strong>条件 5（L1 驻留与 tile 效率）</strong>：L1 级 batch 驻留数</p>
|
||
<p>$$
|
||
b_{L1} = \frac{L1_{size}}{(M k_{L1} + k_{L1} N) \cdot \text{dtype}}, \qquad b_{L1} > b
|
||
$$</p>
|
||
<p>（L1 驻留的 batch 组必须大于单次计算的合并数，否则合并无从谈起），且搬移 tile 大小满足效率：左矩阵非转置时 $\max(b_{L1} M k_{L1} \cdot \text{dtype},; k_{L1} N \cdot \text{dtype}) > min_TileSize$（16KB）；左矩阵转置时相应调整。</p>
|
||
<p><strong>条件 6（单核搬移总量）</strong>：</p>
|
||
<p>$$
|
||
b_{core} \cdot (M k_{L1} + k_{L1} N) \cdot \text{dtype} \ge min\_DatamountPerCore = 480\text{KB}
|
||
$$</p>
|
||
<p>对应 §2.2 第 2 条：单核搬移数据总量不足时带宽利用率上限被压低。</p>
|
||
<p><strong>条件汇总逻辑</strong>：条件 1 定资格（batch 够多），条件 2/3 定上限（别算出瓶颈、别撑爆 L0），条件 4/5/6 定下限（搬移效率不能崩）。<strong>上限与下限之间必须有交集，交集为空则该 case 与 MergeBatch 无缘。</strong></p>
|
||
<h4>4.2.3 核内 b 与 baseK 的取值优化</h4>
|
||
<p>进入分支后，$b$ 与 baseK 的具体取值有一个重要性质：<strong>在访存 Bound 前提下，$b < b_{AI}$ 时 b 的取值不影响性能，baseK 只需满足分形约束（16 倍数）也不影响算存比</strong>——因为瓶颈是搬移，算力余量内怎么切都一样。据此：</p>
|
||
<ol>
|
||
<li>先由条件 2 求 $b_{max}$，实际 $b$ 在 $[b_{thr}, b_{max}]$ 内取，且<strong>尽量均匀</strong>（$b_{core}$ 整除 $b$）——每次计算的 $b$ 均匀一致对功耗更有利；</li>
|
||
<li>再由 $b$ 反查 L0AB 允许的最大 baseK：$baseK_{max} = \min\left(\dfrac{64\text{KB}}{2 \cdot bM \cdot \text{dtype}},; \dfrac{64\text{KB}}{2 \cdot bN \cdot \text{dtype}},; \dfrac{C0_{size}}{\text{dtype}}\right)$，向下取 16 倍数。</li>
|
||
</ol>
|
||
<h4>4.2.4 数值例子（把条件过一遍）</h4>
|
||
<p>case：B=128, M=32, K=64, N=128, BF16，32 核。</p>
|
||
<ol>
|
||
<li><strong>资格</strong>：$b_{core} = 128/32 = 4 \ge b_{thr} = 4$ ✓；</li>
|
||
<li><strong>算存比</strong>：$AI = 2 \times 32 \times 128 / (32 + 128) = 51.2$ FLOP/元素 $< R = 607.5$ ✓ 访存 Bound；$b_{AI} = 607.5 / 51.2 \approx 11.86$，即 $b \le 11$ 都不会进入算力 Bound——算存比约束很宽；</li>
|
||
<li><strong>L0C 约束</strong>（乒乓）：$2(b \cdot 32)(b \cdot 128) \times 4\text{B} \le 256\text{KB} \Rightarrow b^2 \le 8 \Rightarrow b \le 2$（不乒乓则 $b \le 4$）——<strong>L0C 才是真正的紧约束</strong>；</li>
|
||
<li><strong>取 b = 2</strong>（= $b_{core}$ 的因子，均匀）：L0B 给出 $k_{L0} \le 64\text{KB} / (2 \times 2 \times 128 \times 2\text{B}) = 64$，$K = 64$ 一步到位，baseK = 64；</li>
|
||
<li><strong>搬移效率</strong>：$k_{L1} = 64 \ge k_{thr} = 16$ ✓；单核搬移量 $4 \times (32 \times 64 + 64 \times 128) \times 2\text{B} = 80\text{KB}$ —— <strong>不足 480KB</strong>，条件 6 不满足！</li>
|
||
</ol>
|
||
<p>结论：该 case 在"单核搬移总量"一项上不达标——这正是 MergeBatch 条件体系的用处：<strong>它提前告诉你瓶颈不在算力而在搬移效率</strong>，此 case 应尝试合并更多 K/提高 $b_{core}$ 数据量，或由时延模型与 IterBatch/ASW_Basic 比较后定夺。</p>
|
||
<h4>4.2.5 执行流程</h4>
|
||
<pre><code>核间：32 核，每核 b_core 个 batch
|
||
核内（每核）：
|
||
for k_l1 in range(0, K, kL1): # L1 级 K 切分
|
||
MTE2: A[bL1组, M, k_l1:k_l1+kL1]、B[bL1组, k_l1:k_l1+kL1, N] → L1（乒乓）
|
||
for b_start in range(0, bL1, b): # 按合并数 b 分组
|
||
for k_l0 in range(0, kL1, kL0): # L0 级 K 切分
|
||
MTE1: A[bM, kL0] → L0A；B[kL0, bN] → L0B
|
||
Cube: [bM, kL0] @ [kL0, bN] → L0C 累加
|
||
Fixpipe: BlockTrace 取 b 个 [M, N] 对角块 → L2/GM
|
||
</code></pre>
|
||
<h4>4.2.6 与源码对照（批判性）</h4>
|
||
<p>源码 <code>batch_matmul_v3_mergebatch_basicapi_tiling.cpp</code> 的 IsCapable 条件：各级 batchA_i == batchB_i、<code>batchC ≥ 4 × aicNum</code>、<code>alignK ≥ 64</code>、<code>M ≤ N</code>、无 bias、非 NZ、拒绝非连续转置等。对照分析：</p>
|
||
<ul>
|
||
<li><code>batchC ≥ 4 × aicNum</code> 与草稿 $b_{core} \ge b_{thr} = 4$ <strong>一致</strong>（每核至少 4 batch）——合理；</li>
|
||
<li><code>alignK ≥ 64</code> 比草稿 $k_{thr}$=32B/dtype（BF16 为 16 元素）保守 4 倍——<strong>源码更粗</strong>，可能误杀 K∈[16,64) 的可获益 case；</li>
|
||
<li><code>M ≤ N</code> 是<strong>实现便利性约束而非原理约束</strong>——M > N 的镜像 case 在原理上同样可合并（交换合并方向），源码直接放弃，属于覆盖缺口；</li>
|
||
<li>源码<strong>没有显式的算存比/搬移效率判定</strong>（条件 3/4/6），把"是否最优"的责任推给了优先级顺序——本文的条件体系正是对此的补全。</li>
|
||
</ul>
|
||
<h3>4.3 IterBatch（逐 batch 计算）</h3>
|
||
<h4>4.3.1 做什么</h4>
|
||
<p>核间按 B 分核（每核 1 个或多个 batch），核间无同步无通信；核内<strong>逐个 batch 分别执行标准 Matmul 分块</strong>（L1→L0A/L0B→Cube→L0C→Fixpipe）并输出。无算力浪费、无跨 batch 依赖——是"切 B"最朴素的形态。</p>
|
||
<h4>4.3.2 进入条件（三大类 + 理由）</h4>
|
||
<p>满足以下<strong>任一</strong>：</p>
|
||
<p><strong>类 1（计算 Bound 型）</strong>：</p>
|
||
<p>$$
|
||
AI_{full} = \frac{2MKN}{MK + KN + MN} \ge R \quad \text{且} \quad BatchA = BatchB,\; b_{core} = B / aicNum \in \mathbb{Z}^+
|
||
$$</p>
|
||
<p>理由：连输出写出都计入仍是计算 Bound，则瓶颈恒在 Cube——只要负载均衡（$b_{core}$ 整除，各核同量），逐 batch 计算就是满算力实现，无需任何花哨。</p>
|
||
<p><strong>类 2（输出驻留 L2 的均衡型）</strong>：</p>
|
||
<p>$$
|
||
\frac{2MN}{M+N} \ge R_{读GM} \;\;\text{且}\;\; 2K \ge R_{写L2} \;\;\text{且}\;\; MN \cdot \text{dtype} \le L2_{size} \;\;\text{且}\;\; BatchA = BatchB,\; b_{core} \in \mathbb{Z}^+
|
||
$$</p>
|
||
<p>理由：读侧访存不弱（$AI \ge R_{读GM}$）；单 batch 输出 $MN \cdot \text{dtype} \le 128$MB 可驻留 L2——Cube 输出写 L2 即算完成，写 GM 的流量被省掉；$2K$ 是"每写出一个元素对应的计算量"，$2K \ge R_{写L2}$ 保证写 L2 的 5.2TB/s 也不是瓶颈。三个条件合起来 = <strong>读、算、写三条路都不堵</strong>。</p>
|
||
<p><strong>类 3（访存 Bound 型）</strong>：$\dfrac{2MN}{M+N} < R$ 且同时满足：</p>
|
||
<ol>
|
||
<li>$BatchA = BatchB$ 且 $b_{core} = B / aicNum \ge 1$；</li>
|
||
<li><strong>负载均衡</strong>：访存 Bound 时核负载利用率建议 bAvg/bMax > 0.8（计算 Bound 时建议 100%）。操作化表述：B 整除核数，或尾波（B mod aicNum）活跃的核数 ≥ minCoreNum（DV100 取 0.8 × 32 ≈ 26）。注意：若只写 <code>B mod aicNum > minCoreNum</code> 会误杀整除 case（余数 0 恰恰是完全均衡），<strong>判据应以均衡比为准、余数规则为其近似</strong>；</li>
|
||
<li><strong>单核搬移不重复读</strong>（访存 Bound 下重复读就是纯损失），按 L1 容量分五种形态之一：
|
||
<ul>
|
||
<li>(a) $b_{core} = 1$ 且 $(MK + KN) \cdot \text{dtype} \le L1_{size}$：单 batch 左右矩阵同时驻留 L1，零重复读；</li>
|
||
<li>(b) $b_{core} > 1$ 且 $2(MK + KN) \cdot \text{dtype} \le L1_{size}$：L1 放下 2 个 batch 形成乒乓流水；</li>
|
||
<li>(c) 放不下的，$(MK + KN/Step) \cdot \text{dtype} \le L1_{size}$（或 M/Step 对称）：一矩阵不切、另一切分，分块大小仍须 > min_TileSize；</li>
|
||
<li>(d) $b_{core} > 1$ 时上一条的半容量版本（L1 双 batch 乒乓预算减半）；</li>
|
||
<li>(e) 左右都切 K：$(M \cdot K/Step + K/Step \cdot N) \cdot \text{dtype} \le L1_{size}$；</li>
|
||
<li>以上 (c)(d)(e) 切分后的分块均须满足搬移效率（tile ≥ 16KB、dValue ≥ 128B/256B）。</li>
|
||
</ul>
|
||
</li>
|
||
</ol>
|
||
<h4>4.3.3 设计原理（为什么是这些条件）</h4>
|
||
<ol>
|
||
<li>核间切 B 零共享零依赖，<strong>唯一的系统性风险是负载不均</strong>——所以均衡是第一条件；</li>
|
||
<li>输出须满足 L0C 容量：$MN \cdot 4\text{B} \le L0C$（否则核内还要切 M/N，那就不是纯 IterBatch 而是 ASW 行为——但注意 IterBatch 核内<strong>允许</strong>对单 batch 做标准 M/N/K tiling，此处的准确含义是"核内 tiling 不构成跨 batch 的耦合"）；</li>
|
||
<li>访存 Bound 时<strong>单核数据不得重复读</strong>——L1 装得下才不重复，装不下就按 Step 切分且切分后仍满足搬移效率下限；</li>
|
||
<li>与 MergeBatch 的分工：IterBatch 不浪费算力，但需要"单 batch 足够大"撑搬移效率与 Cube 利用率；MergeBatch 用浪费换效率，专治小 M×N。两者在 $M \times N$ 的中段重叠，由时延模型仲裁（第 5 章）。</li>
|
||
</ol>
|
||
<h4>4.3.4 执行流程</h4>
|
||
<pre><code>核间：32 核分 batch（尽量整除，尾波核数 ≥ minCoreNum）
|
||
核内（每核）：
|
||
for batch in 本核的 b_core 个 batch: # 逐个 batch
|
||
for m_tile / n_tile（核内标准 tiling）:
|
||
for k_tile in range(0, K, baseK):
|
||
MTE2 预取下一 k_tile → L1（双缓冲）
|
||
MTE1: L1 → L0A/L0B
|
||
Cube: mmad → L0C 原地累加 # K 循环不出核
|
||
Fixpipe: L0C → L2（写 L2 即完成，GM 回写可异步）
|
||
</code></pre>
|
||
<h3>4.4 StreamK（K 维核间切分）</h3>
|
||
<h4>4.4.1 做什么</h4>
|
||
<p>当 B、M、N 三个维度切到最碎仍填不满 32 核时，把 K 维切到核间：多核各算一段 K 的部分和，再归约：</p>
|
||
<p>$$
|
||
C_{(\beta,\mu,\nu)} = \sum_{c \in group} C^{(c)}_{(\beta,\mu,\nu)} \quad \text{（部分和写 workspace，AIV 归约或原子加）}
|
||
$$</p>
|
||
<h4>4.4.2 进入条件（两条缺一不可）</h4>
|
||
<p><strong>条件 1（并行缺口存在）</strong>：不切 K 时的独立输出块数</p>
|
||
<p>$$
|
||
P = B \times \lceil M / 16 \rceil \times \lceil N / 16 \rceil < C = 32
|
||
$$</p>
|
||
<p>（源码实现取更保守的 $B \cdot mCnt \cdot nCnt \le aicNum/2$，并附加 ND-only、无交叉广播、确定性等级 ≤ 1（原子加顺序不定）等工程限制）。注意**严格的 StreamK 不要求核间完全不切 B/M/N**——它是一般框架 `grid_K × grid_B × grid_M × grid_N ≤ C`，纯切 K 只是 grid_B=grid_M=grid_N=1 的特例；当 B/M/N 能提供部分并行度时，应该用组合 grid 把归约组 $grid_K$ 压到最小（grid_K 小一档，K 的门槛降一档平方级）。</p>
|
||
<p><strong>条件 2（归约代价可接受）</strong>：每核计算时延须远大于归约时延（安全系数 α = 10）：</p>
|
||
<p>$$
|
||
T_{MMAD/core} \ge \alpha \cdot T_{Reduce}
|
||
\;\Longleftrightarrow\;
|
||
\frac{K}{grid_K} \;\gtrsim\; grid_K \times 1690
|
||
$$</p>
|
||
<p>即 $K \gtrsim grid_K^2 \times 1690$：grid_K=2 → K ≥ 6.8K；grid_K=4 → K ≥ 27K；grid_K=8 → K ≥ 108K；grid_K=32 → K ≥ 1.7M（仅极端 case）。同时 $K / grid_K \ge 256$（单核 K 段过碎则 tiling 效率崩）。<strong>grid_K 越大对 K 的要求越苛刻——StreamK 内部的 grid 搜索自然淘汰归约过重的配置。</strong></p>
|
||
<h4>4.4.3 实现要点</h4>
|
||
<ul>
|
||
<li>部分和写出：L0C → workspace（GM 或 L2），归约由 AIV 执行（AIC:AIV = 1:2，2 个 AIV 伺候 1 个 AIC 的部分和流）；</li>
|
||
<li>原子加（AtomicAdd）变体省一遍读回，但破坏确定性——源码在确定性等级 > 1 时禁用 StreamK，工程上必须保留这个开关；</li>
|
||
<li>核间同步与任务编排建议直接复用 Matmul 高阶 API 的 StreamK 模板（避免手写 CrossCore flagId 冲突）。</li>
|
||
</ul>
|
||
<h4>4.4.4 与不切 K 分支的关系</h4>
|
||
<p>StreamK 从不"硬切换"进入：当不切 K 的分支候选已足够快（如已 Cube Bound），StreamK 候选的归约开销使其自然落败；只有当 B/M/N 并行度不足导致大量核闲置时，StreamK 才以数量级优势胜出（例：B=1、M=N=64、K=65536 时，不切 K 仅 16 核可用，StreamK 32 核满负荷）。</p>
|
||
<h3>4.5 ASW_Basic（通用切分框架）</h3>
|
||
<h4>4.5.1 做什么</h4>
|
||
<p>不切 K，允许切 B/M/N 的<strong>任意组合</strong>——它是"不含 K 且含共享读取"的 6 种切分组合（{M},{N},{M,N},{B,M},{B,N},{B,M,N}）的统一实现框架，也是 B < 32 但 P ≥ 32 时的最优归宿，同时兜住 B ≥ 32 但 IterBatch/MergeBatch 条件不满足的剩余 case。<strong>B 可以大、可以小、可以等于 1；ASW_Basic 是实践中最常命中的分支。</strong></p>
|
||
<h4>4.5.2 核心机制：swizzle + L2 管理</h4>
|
||
<p>切 M/N 的固有代价是共享矩阵的重复读，ASW_Basic 用两件武器把代价压到最低：</p>
|
||
<ol>
|
||
<li><strong>ASW 滑窗蛇形 swizzle</strong>：把 M 向按窗口 $W$ 分组（$W = \max{d : d \mid C,\ d \le \lfloor\sqrt{C}\rfloor}$，32 核取 W=4），窗口内蛇形遍历 N 向。数学效果：同一时刻 32 个核活跃的工作集被压缩到"W 个 A 行块 + 一条 B 列块带"，L2 足迹最小 ⇒ 共享读取基本命中 5.2TB/s 的 L2 而非 1.6TB/s 的 GM。窗口取 $\lfloor\sqrt C\rfloor$ 的最大因子，是因为窗口越接近正方形，A 行块 + B 列块的 L2 足迹越小，且因子性保证整窗被核数均分、窗口边界不碎；</li>
|
||
<li><strong>L2 切分</strong>：工作集超过 128MB 时，按 mL2TileNum × nL2TileNum 切分，每个 L2 块<strong>错位分核</strong>（对角线分配），避免多核同时抢同一地址的读读冲突，并优先选拖尾小的方案。</li>
|
||
</ol>
|
||
<h4>4.5.3 核间切分维度的选择顺序</h4>
|
||
<p>按共享代价从低到高：</p>
|
||
<ol>
|
||
<li><strong>切 B</strong>（B ≥ 核数）：零共享，永远先试；</li>
|
||
<li><strong>切 M</strong>（B 不够）：右矩阵 [K, N] 被共享，若 $KN \cdot \text{dtype} \le 128$MB 则驻留 L2，零 GM 重复读；</li>
|
||
<li><strong>切 N</strong>：对称；</li>
|
||
<li><strong>混合切</strong>（B×M、M×N、…）：双向共享，靠 swizzle + L2 切分管理；</li>
|
||
<li><strong>降核</strong>：P 远小于 32 且 K 也不够格走 StreamK 时，宁可部分核闲置（小 case 时延绝对值小，调度开销反而主导）。</li>
|
||
</ol>
|
||
<h4>4.5.4 内部特化（不是独立分支）</h4>
|
||
<ul>
|
||
<li><strong>AL1/BL1 全载</strong>：当单边无 batch 且该侧矩阵很小（如 batchA=1 且 M ≤ 256），把整个 A 常驻 L1，$\tilde M = 1$、A 的 GM→L1 搬运只发生一次——这是 ASW 内部"M 不切 + L1 驻留深度拉满"的参数极限，不是新分支；</li>
|
||
<li><strong>广播友好形态</strong>：交叉广播 case（§1.2）在 ASW 内通过对广播侧做 L1/L2 驻留处理，共享关系与切 M/N 同构。</li>
|
||
</ul>
|
||
<hr />
|
||
<h2>5. 分支仲裁与整体决策流程</h2>
|
||
<h3>5.1 为什么需要仲裁层</h3>
|
||
<p>第 4 章的进入条件给出的是各分支的"主场"，但主场之间有<strong>重叠区</strong>（例如 B ≥ 32 且 M×N 中等时，MergeBatch 与 IterBatch 都合法；B 较大时 IterBatch 与 ASW_Basic 切 B 等效）。重叠区的最优归属没有解析解，必须由统一的时延模型仲裁：</p>
|
||
<p>$$
|
||
\text{branch}^* = \arg\min_{cand \in \bigcup \text{各分支候选}} \max\big(T_{MMAD}, T_{MTE2}, T_{MTE1}, T_{Fixpipe}[, T_{Reduce}]\big)
|
||
$$</p>
|
||
<p>分支体系的价值在于<strong>候选集完备且无冗余</strong>：每个等价类只派一个代表框架生成候选，时延模型在等价类内部和边界上做精细仲裁。两层缺一不可——只有模型没有分支，搜索空间是 15 种组合 × 全部 grid 参数的爆炸；只有分支没有模型，边界 case 被硬阈值误杀。</p>
|
||
<h3>5.2 总决策流程</h3>
|
||
<pre><code>输入：B, M, N, K, dtype, layout, 广播形态, bias
|
||
│
|
||
├─[0] K = 0 → AIV 清零；K = 1 → AIV 逐元素乘（TO_MUL 通路）
|
||
│
|
||
├─[1] BatchB = 1 → 转Matmul（免费折叠 [B·M, K]，必选）
|
||
│ BatchA = 1 → 比较"重排 B + Matmul" vs "广播友好 IterBatch/ASW"，
|
||
│ 按时延模型选小者
|
||
│
|
||
├─[2] BatchA = BatchB = B > 1：
|
||
│ 生成四类候选并逐一估算 T_total：
|
||
│ MergeBatch（条件 1~6 全过才生成，见 4.2.2）
|
||
│ IterBatch（三大类条件，见 4.3.2）
|
||
│ ASW_Basic（按 4.5.3 顺序试切 B/M/N/混合，含 swizzle 与 L2 切分）
|
||
│ StreamK（P < 32 且 K 满足 4.4.2 条件 2 时生成，grid 搜索）
|
||
│ → argmin T_total
|
||
│
|
||
└─[3] 输出：分支 + tiling 参数（baseM/baseN/baseK、b、bL1、kL1…）
|
||
+ swizzle 方案 + L2 切分方案 + 预估端到端时延
|
||
</code></pre>
|
||
<hr />
|
||
<h2>6. 五大分支设计的完备性审视（漏洞检查）</h2>
|
||
<p>按"转Matmul / MergeBatch / IterBatch / StreamK / ASW_Basic 五大分支 cover 全部 BMM case 最优实现"的设计目标，逐条拷问。</p>
|
||
<h3>6.1 覆盖矩阵：无空洞</h3>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>shape 区域</th>
|
||
<th>主分支</th>
|
||
<th>兜底</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>K = 0 / K = 1</td>
|
||
<td>前置通路层（AIV）</td>
|
||
<td>—</td>
|
||
</tr>
|
||
<tr>
|
||
<td>BatchA=1 或 BatchB=1</td>
|
||
<td>转Matmul</td>
|
||
<td>ASW_Basic（广播友好形态）</td>
|
||
</tr>
|
||
<tr>
|
||
<td>BatchA=BatchB>1，B≥32，M×N 大</td>
|
||
<td>IterBatch</td>
|
||
<td>ASW_Basic 切 B</td>
|
||
</tr>
|
||
<tr>
|
||
<td>BatchA=BatchB>1，B≥32，M×N 小，访存 Bound</td>
|
||
<td>MergeBatch</td>
|
||
<td>IterBatch</td>
|
||
</tr>
|
||
<tr>
|
||
<td>上述但 B<32，P≥32</td>
|
||
<td>ASW_Basic</td>
|
||
<td>降核 ASW</td>
|
||
</tr>
|
||
<tr>
|
||
<td>P<32，K 大</td>
|
||
<td>StreamK</td>
|
||
<td>降核 ASW</td>
|
||
</tr>
|
||
<tr>
|
||
<td>P<32，K 也小</td>
|
||
<td>降核 ASW_Basic</td>
|
||
<td>（此时时延绝对值小，调度开销主导，分支选择不敏感）</td>
|
||
</tr>
|
||
<tr>
|
||
<td>交叉广播（BatchA≠BatchB 且均>1）</td>
|
||
<td>ASW_Basic</td>
|
||
<td>—</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<h3>6.2 审视发现的问题与修正</h3>
|
||
<p>设计骨架成立，但有五处需要修正或显式声明，否则会被反例拷问：</p>
|
||
<p><strong>问题 1：转Matmul 的方向不对称（原设想的最大漏洞）。</strong> "一侧 batch=1 就折叠成 Matmul"在 BatchB=1 方向免费（batch 与 M 内存相邻，输出布局一致）；但在 BatchA=1 方向，右矩阵 [B,K,N] 折叠成 [K,B·N] 需要一次真实的转置重排，且输出 [M,B·N] 与目标 [B,M,N] 之间存在置换——"只是输出后按 batch split"的设想在 ND 布局下不成立，split 实际是 scatter。修正：BatchA=1 时按"重排代价 vs Matmul 收益"走模型仲裁，小 case 留在 BMM 分支内（A 单侧数据天然可 L2/L1 驻留共享，本身已接近最优）。</p>
|
||
<p><strong>问题 2：交叉广播 case 的归属必须显式声明。</strong> BatchA=(6,1)、BatchB=(1,6) 这类 case 既不进转Matmul（两侧都>1），也不满足 MergeBatch/IterBatch 的 BatchA=BatchB 前提——它们落入 ASW_Basic（对广播侧做驻留）。不声明就会显得"五分支有洞"。声明后完备性闭合。</p>
|
||
<p><strong>问题 3：K 退化不在五分支内，需前置通路层。</strong> K=0（无计算）、K=1（无累加深度）走 AIV 向量通路；这是"计算通路选择"维度，与"切分维度"正交，放在五分支之前判断。源码用 K_EQUAL_ZERO / TO_MUL 两个独立策略处理，印证了这一层的必要性——但它们是通路切换而非新切分等价类。</p>
|
||
<p><strong>问题 4：IterBatch 草稿条件 3(2) 的字面表述有误杀。</strong> <code>B mod aicNum > minCoreNum</code> 会拒绝 B 整除核数的完全均衡 case（余数 0）。正确表述应以负载均衡比为准：访存 Bound 要求 bAvg/bMax > 0.8，计算 Bound 要求 100%；余数规则只是它的近似操作化。</p>
|
||
<p><strong>问题 5：经验常数必须可标定，且源码硬编码条件偏粗。</strong> $b_{thr}=4$、$k_{thr}$=32B/dtype、480KB、16KB、dValue≥256B 都是 DV100 档芯片的实测经验值，文档中全部显式参数化（换芯片只换常数表）。对照之下源码把 <code>batchC ≥ 4×aicNum</code>、<code>alignK ≥ 64</code>、<code>M ≤ N</code> 等直接写死，其中 <code>alignK ≥ 64</code> 比草稿阈值保守 4 倍、<code>M ≤ N</code> 放弃了镜像 case——<strong>做最优实现时不应继承这些硬编码，而应按第 4 章的条件体系重新判定</strong>。</p>
|
||
<h3>6.3 与源码 10 策略的关系</h3>
|
||
<p>源码 arch35 的 10 个策略（K_EQUAL_ZERO / TO_MUL / STREAM_K / MERGE_BATCH / ITER_BATCH_BROADCAST / ITER_BATCH / AL1_FULL_LOAD / BL1_FULL_LOAD / ASW_BASIC / BASE）与本文五分支不是同层概念：</p>
|
||
<table>
|
||
<thead>
|
||
<tr>
|
||
<th>源码策略</th>
|
||
<th>本文归属</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<tr>
|
||
<td>K_EQUAL_ZERO、TO_MUL</td>
|
||
<td>前置通路层（4.0），正交于切分</td>
|
||
</tr>
|
||
<tr>
|
||
<td>STREAM_K</td>
|
||
<td>StreamK</td>
|
||
</tr>
|
||
<tr>
|
||
<td>MERGE_BATCH</td>
|
||
<td>MergeBatch</td>
|
||
</tr>
|
||
<tr>
|
||
<td>ITER_BATCH、ITER_BATCH_BROADCAST</td>
|
||
<td>IterBatch（broadcast 变体是广播输入下的数据复用特化；单边广播在本文更多由转Matmul 吸收）</td>
|
||
</tr>
|
||
<tr>
|
||
<td>AL1_FULL_LOAD、BL1_FULL_LOAD</td>
|
||
<td>ASW_Basic 的 L1 驻留参数极限（4.5.4）</td>
|
||
</tr>
|
||
<tr>
|
||
<td>ASW_BASIC、BASE</td>
|
||
<td>ASW_Basic</td>
|
||
</tr>
|
||
</tbody>
|
||
</table>
|
||
<p><strong>结论</strong>：源码策略集 = 五分支 × 计算通路 × 驻留/广播特化的展开。五分支是"切分等价类"的最小完备骨架，源码的冗余策略可在新实现中收敛，源码遗漏的（条件 3/4/6 的显式判定、M>N 的 MergeBatch 镜像、转Matmul 的 BatchA=1 方向）正是优化的增量空间。</p>
|
||
<hr />
|
||
<h2>7. 总结</h2>
|
||
<ol>
|
||
<li><strong>最优的定义</strong>：$T_{total} = \max(T_{MMAD}, T_{MTE2}, T_{MTE1}, T_{Fixpipe}[, T_{Reduce}])$ 最小；瓶颈交换是合法且必要的手段。</li>
|
||
<li><strong>分支的推导</strong>：4 维可切 → 15 种组合完备 → 切分特征表（切 B 免费 / 切 M/N 廉价被 L2 吸收 / 切 K 昂贵需归约）→ 按价格从低到高购买并行度 → 坍缩为 MergeBatch、IterBatch、ASW_Basic、StreamK 四个等价类，加前置的转Matmul 问题归约层，共五大分支，<strong>完备且极小</strong>。</li>
|
||
<li><strong>各分支的条件</strong>都不是孤立经验，而是"资格（并行度够不够）→ 上限（容量/算存比封顶）→ 下限（搬移效率托底）"三层逻辑的实例化；所有经验常数可标定、可移植。</li>
|
||
<li><strong>边界不靠硬切</strong>：重叠区由端到端时延模型统一仲裁，分支体系负责候选集的完备无冗余。</li>
|
||
<li><strong>设计经受了漏洞拷问</strong>：修正了转Matmul 的方向不对称与 IterBatch 均衡条件的字面误杀，显式声明了交叉广播与 K 退化的归属；相对源码实现，本文条件体系更细、更真、覆盖更全。</li>
|
||
</ol>
|
||
<hr />
|
||
<p><em>参考文档：《BMM分块计算数学公式》《BMM最优软件实现方案设计》《BatchMatMulV3算子分支实现分析》《BMM从分块计算到四大分支的逻辑推导》；源码：<code>ops-nn/matmul/batch_mat_mul_v3</code>（arch35）；芯片资料：昇腾 950PR 架构白皮书与 CANN 9.0.0 性能建模文档。</em></p>
|
||
|
||
</div>
|
||
</body>
|
||
</html>
|