admin/matmul-analysis
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
Files
1e8f9102d0242eb32d94c72a34cb56252b489699
matmul-analysis/Matmul/00_项目规划_小步快跑.md

9.8 KiB
Raw Blame History

Matmul 算子分析 —— 项目规划（小步快跑式）

目标芯片：昇腾 950PR（32 AIC / 64 AIV，1.65GHz，GM 128GB/1.6TB/s，L2 128MB/5.2TB/s，架构版本 351x / DAV_3510） 项目性质：中长期，多轮迭代、严谨逻辑推导、理论建模与验证 关联工程：BMM 分析（同仓 BMM/，已迭代多轮）——本项目的 tiling/swizzle 方法论大量复用并深化 BMM 的 ASW_Basic（标准 Matmul tiling）分支 本地工作目录：/storage/Users/currentUser/WorkBuddy/昇腾NPU/Matmul算子分析/ 同步仓库：gitea admin/matmul-analysis → 根目录新建 Matmul/

0. 三大任务（来自需求）

  1. 性能理论建模：对 Matmul 在 NPU 上的执行做理论建模，真实反映硬件执行情况、力求准确评估算子性能。给定具体 case 与算子实现所需的 tiling & swizzle 方案和参数后，能给出该芯片硬件的 profile 性能分析评估。
  2. 最优软件实现方案：结合 NPU 架构规格与算子数据流，通过有条理的分析和公式推导，给出任意 case 的 matmul 输入后的最优实现方案（核心是 tiling & swizzle 方案）。
  3. 源码对比与改进建议：对比 Matmul 算子当前源码实现，给出软件改进点；结合 top case，针对 NPU 架构给出下一代硬件的具体改进建议。

三任务之间的依赖关系：

任务1（性能模型）
   │ 提供"评判标准"：任何 tiling/swizzle 方案都能被评估
   ▼
任务2（最优方案）
   │ 用任务1的模型反向推导最优参数
   ▼
任务3（源码对比/硬件建议）
   以任务1的模型 + 任务2的最优解为标尺，衡量源码差距 → 软件改进点 → 硬件改进点

1. 情报信息清单

详细到文件级的情报清单见 01_情报清单.md。这里只做概览。

1.1 已就绪（本地知识库，可直接用于分析）

类别 位置 状态
硬件架构白皮书全文 昇腾NPU知识库/00_硬件/昇腾950_NPU架构白皮书.pdf + 新提取 ...白皮书.txt（40 页全文，可 grep） ✅ 本轮完成提取
950PR/950DT 产品页与产品形态 昇腾NPU知识库/00_硬件/*.txt .md ✅
950PR 微架构解读（含数据通路 SVG） gitea 昇腾950PR/昇腾950PR架构解读.md ✅
CANN 官方文档全套 昇腾NPU知识库/CANN社区版9.2.0-beta.1（5512 页）、商用版9.0.0（4483 页）、8.5.0（3100 页） ✅
官方性能建模公式文档 昇腾NPU知识库/代码仓/cann-samples/Samples/2_Performance/matmul_story/docs/matmul_performance.md（T_cube/T_mte2/T_mte1/T_fixp 完整公式）＋ quant_matmul_mx_performance.md、weight_quant_matmul_mxfp8fp4_performance.md ✅
Matmul v3 完整源码 昇腾NPU知识库/代码仓/ops-nn/matmul/mat_mul_v3/（182 文件：op_host tiling + op_kernel/arch35 60 文件） ✅
blasLt matmul 完整 kernel 昇腾NPU知识库/代码仓/ops-blas/blasLt/matmul/（engine/epilogue/fp32/mxfp4/mxfp8 共 25 文件） ✅
矩阵乘模板库 catlass 昇腾NPU知识库/代码仓/catlass/（含 43_ascend950_basic_matmul 示例） ✅
官方调优样例（.asc kernel） 昇腾NPU知识库/代码仓/cann-samples/.../matmul_story/matmul_recipes/（a16w16/a32w32/quant 各模板） ✅
算子→代码映射索引 昇腾NPU知识库/CODE_INDEX.md（matmul 32 个变体） ✅

1.2 待补充（列为后续小步，见 3.）

  1. msProf 实测数据：950PR 真机（Atlas 350 加速卡）或仿真环境的 profile 数据，用于校准/验证理论模型精度。当前环境无 NPU，需明确获取途径（真机、CANN 仿真、或官方公开性能数据）。
  2. 读写带宽单向值：官方只公开 GM 总带宽 1.6TB/s，读写单向带宽需实测或依据 msProf 反推。
  3. 源码中部分分支的完整实现：本地锚点基本齐全，但若分析发现个别文件缺失，用 .tmp/gitcode_fetch.py 从 gitcode 补拉。
  4. 竞品参照（可选）：NVIDIA CUTLASS/TRT-LLM 的 GEMM 建模思路，用于方法论交叉验证（仅作对照，不对外引用内部资料）。

2. 与 BMM 分析的关系（复用与边界）

BMM 分析已产出的可复用资产：

  • T_total = max(T_MMAD, T_MTE2, T_MTE1, T_FIXPIPE [, T_REDUCE]) 的建模骨架与公式
  • 硬件参数表（L0A/L0B/L0C/L1/UB/MTE 带宽/L2 替换机制）
  • 分支体系（FoldBatchToMatMul / MergeBatch / IterBatch / StreamK / ASW_Basic）
  • 长宽比、baseM/baseN、SingleCoreM/N、尾轮重切、UnitFlag 等关键结论

边界：

  • BMM 的差异化难点在 batch 维切分与分支决策；Matmul 的差异化难点在 单矩阵乘的 tiling 深度优化 + swizzle（SWAT/StreamK/SplitK）编排 + L2 复用 + 量化（MXFP4/MXFP8/HiF8）。
  • 本项目聚焦 [M,K]×[K,N]→[M,N] 单矩阵乘，把 BMM 里 ASW_Basic 的"标准 Matmul tiling"作为起点向下钻，而不是重复 BMM 的分支决策。

3. 小步快跑规划（每步可交付、可验证）

原则：每一步产出独立可评审的文档/工具/结论，先跑通主干再迭代细化；模型必须能被验证（有对标 case 或公式自洽性检验）。

Phase 0 —— 情报准备与规划（本轮）✅

  • 梳理情报清单、确认本地源码/文档完整性
  • 提取 950 白皮书全文（可 grep）
  • 产出本规划文档 + 情报清单，同步 gitea Matmul/

Phase 1 —— 性能理论建模（任务 1）

步 交付物 验证方式
1.1 硬件参数与数据通路模型 Matmul/1_性能模型/1.1_硬件参数与Roofline模型.md：峰值算力、各级带宽、算术强度、Roofline 与白皮书/官方公式数值自洽
1.2 单核流水线建模 1.2_单核流水线建模.md：T_cube/T_mte2/T_mte1/T_fixp 完整推导 + baseM/baseN/baseK 影响分析 与官方 matmul_performance.md 公式对齐
1.3 多核并行 + swizzle 建模 1.3_多核并行与Swizzle建模.md：核间切分、L2 命中率、SWAT 窗口、重复搬运量 公式闭合（重复搬运量与 SWAT 窗口关系）
1.4 profile 评估器（工具） 1.4/profile_model.py（或 .mjs）：输入 case + tiling&swizzle 参数 → 输出各流水耗时与瓶颈判定 单测：已知 case 手算对照
1.5 模型校准与验证 1.5_模型验证报告.md：用官方样例/已知数据校准，量化误差 误差 < 15%~20% 量级

Phase 2 —— 最优软件实现方案（任务 2）

步 交付物 验证方式
2.1 分支与模板体系 2_最优方案/2.1_模板体系.md：SWAT/StreamK/SplitK/DPSK 等模板的数据流与适用域 与源码策略优先级对照
2.2 baseM/baseN/baseK 最优推导 2.2_Tiling参数最优推导.md：由瓶颈方程反解最优分块 用 1.4 评估器验证推导结论
2.3 swizzle 编排最优推导 2.3_Swizzle编排最优推导.md：核分配顺序、L2 切分、尾轮重切 同上
2.4 任意 case 决策算法 2.4_最优方案决策.md：case 输入 → 最优 tiling&swizzle 的完整决策流程 覆盖典型 case 集（方阵/瘦长/大K/量化）

Phase 3 —— 源码对比与改进建议（任务 3）

步 交付物 验证方式
3.1 源码 tiling/swizzle 逆向 3_源码对比/3.1_mat_mul_v3源码解析.md（matmul_v3_tiling.cpp / block_scheduler.h） 与源码逐行对照
3.2 理论与源码差异 → 软件改进点 3.2_软件改进点.md 每条改进点给理论依据
3.3 top case 与硬件改进建议 3.3_下一代硬件改进建议.md（结合 top case） 每条建议映射到架构瓶颈

4. 目录结构约定

4.1 本地（Matmul算子分析/）

Matmul算子分析/
├── req.txt                        # 需求原文
├── 00_项目规划_小步快跑.md         # 本规划
├── 01_情报清单.md                 # 情报清单（文件级）
├── 1_性能模型/                     # 任务1
├── 2_最优方案/                     # 任务2
├── 3_源码对比/                     # 任务3
└── case库/                        # 典型 case（shape/dtype 集合）

4.2 gitea（Matmul/）

Matmul/
├── README.md                      # 项目总览 + 三大任务 + 目录索引
├── 00_项目规划_小步快跑.md
├── 01_情报清单.md
├── 1_性能模型/
├── 2_最优方案/
└── 3_源码对比/

4.3 文档规范

  • 每篇分析文档 markdown + html 双格式交付（与 BMM 一致），html 用于易读性发布。
  • 文中引用外部资料只引用有在线链接的公开内容（昇腾官网 / gitcode / gitea 仓库内文件），不引用本地绝对路径。
  • 推导必须逻辑连贯、公式完整、结论可被质疑；每个"结论"都要写清假设与适用边界。

5. 关键风险与依赖

风险 影响 缓解
无真机/仿真，缺 msProf 实测 模型精度难以实证 先用官方公开样例数据校准；争取 Atlas 350 真机或 CANN 仿真环境
GM 读写单向带宽无公开值 模型参数不确定 以总带宽 + 读写比例假设建参，标注可替换点，实测后回填
源码个别文件本地缺失 分析中断 .tmp/gitcode_fetch.py 补拉，或 gitea 内同步源码锚点
硬件细节（L2 替换/MTE 微架构）文档不细 建模偏差 用 msProf 反推 + 白皮书交叉印证

6. 下一步（下一轮迭代入口）

  1. 从 Phase 1.1 开始：输出硬件参数与 Roofline 模型（把 950PR 架构解读里的数值表 + 白皮书全文规格，整理成可复用的"硬件参数表"）。
  2. 同步产出 case库/：定义第一批典型 case（覆盖方阵/瘦长/大K/低精度），作为 1.4 评估器与 Phase 2 的公共输入。