227 lines
32 KiB
HTML
227 lines
32 KiB
HTML
<!DOCTYPE html><html lang="zh-CN"><head><meta charset="utf-8"><meta name="viewport" content="width=device-width, initial-scale=1"><title>UnitFlag 能否完全取代 L0C Double Buffer —— 昇腾 950PR（DAV_3510）时序与数据流分析</title>
|
||
<style>
|
||
body { font-family: -apple-system, "PingFang SC", "Microsoft YaHei", sans-serif; max-width: 980px; margin: 40px auto; padding: 0 24px; line-height: 1.75; color: #1f2328; background:#fff; }
|
||
h1 { font-size: 28px; border-bottom: 2px solid #d0d7de; padding-bottom: 12px; }
|
||
h2 { font-size: 22px; border-bottom: 1px solid #d0d7de; padding-bottom: 8px; margin-top: 36px; }
|
||
h3 { font-size: 18px; margin-top: 28px; }
|
||
code { background:#f6f8fa; padding: 2px 6px; border-radius: 4px; font-family: "SF Mono", Consolas, monospace; font-size: 0.9em; color:#c7254e; }
|
||
pre { background:#f6f8fa; padding: 16px; border-radius: 8px; overflow-x:auto; }
|
||
pre code { background:none; padding:0; color:#24292e; }
|
||
table { border-collapse: collapse; width: 100%; margin: 16px 0; font-size: 14px; }
|
||
th, td { border: 1px solid #d0d7de; padding: 8px 12px; text-align: left; vertical-align: top; }
|
||
th { background:#f6f8fa; font-weight: 600; }
|
||
blockquote { border-left: 4px solid #d0d7de; margin: 16px 0; padding: 4px 16px; color:#57606a; background:#f6f8fa; }
|
||
hr { border:none; border-top:1px solid #d0d7de; margin: 24px 0; }
|
||
li { margin: 4px 0; }
|
||
strong { color:#0a3069; }
|
||
</style>
|
||
</head><body><h1>UnitFlag 能否完全取代 L0C Double Buffer —— 昇腾 950PR（DAV_3510）时序与数据流分析</h1>
|
||
</blockquote>
|
||
<hr/>
|
||
<h2>0. 先修正并锁定一个前提事实</h2>
|
||
</blockquote>
|
||
<pre><code>// 官方 GetMDLConfig 签名（第 7 个位置参数即 enUnitFlag）
|
||
GetMDLConfig(intrinsicsLimit, batchLoop, doMTE2Preload, isVecND2NZ,
|
||
isPerTensor, hasAntiQuantOffset, enUnitFlag=false, ...)
|
||
|
||
// mat_mul_v3_common.h
|
||
constexpr MatmulConfig MM_CFG_NO_PRELOAD =
|
||
GetMDLConfig(false, false, 0, false, false, false, /*enUnitFlag=*/true);</code></pre>
|
||
<p><code>MM_CFG_NO_PRELOAD</code> 的第 7 个实参是 <code>true</code> → <strong>enUnitFlag 被显式开启</strong>。而 mat_mul_v3 的普通 ASWT、A/B 全载、SplitK 等模板 kernel 的默认模板参数就是 <code>MM_CFG = MM_CFG_NO_PRELOAD</code>；StreamK 又在自定义搬出回调 <code>CustomDataCopyOut</code> 里再显式 <code>fixpipeParams.unitFlag = MM_FIX_PIPE_UNIT_FLAG(=3)</code>。</p>
|
||
<p><strong>结论</strong>：mat_mul_v3 在 950PR 的主路径上，<strong>UnitFlag 默认是开启的</strong>（普通模板经 MM_CFG_NO_PRELOAD，StreamK 经回调）。这与"MDL 模板默认不使能"并不矛盾——MDL 默认关，但 mat_mul_v3 用 <code>GetMDLConfig</code> 把这一位显式置真了。</p>
|
||
<hr/>
|
||
<h2>1. 两条掩盖路径的时序本质（先把"流水"画清楚）</h2>
|
||
<p>设 MTE1（L1→L0）与 MTE2（GM→L1）已由 L1/L0 的 Double Buffer 掩盖（这是 tiling 的常规动作，与本文讨论的 L0C 无关），则单个 base 块的耗时只需关注 <strong>MMAD 计算</strong> 与 <strong>Fixpipe 搬出</strong> 两级：</p>
|
||
<pre><code>t_mm = baseM·baseN·baseK / R_cube （MMAD 计算时间，R_cube=8192 FLOP/cycle）
|
||
t_fp = baseM·baseN·dtypeC / BW_fp （Fixpipe 搬出时间，dtypeC=输出dtype字节数）</code></pre>
|
||
<h3>1.1 无 DB 无 UnitFlag —— 完全串行</h3>
|
||
<pre><code>块n: [==== MMAD ====]··等待··[---- Fixpipe ----]
|
||
块n+1: [==== MMAD ====]··等待··[---- Fixpipe ----]
|
||
周期 T = t_mm + t_fp</code></pre>
|
||
<p>L0C 只有一份，Fixpipe 搬出期间 Cube 不能写 → 块内串行；且当前块 Fixpipe 不结束，下一块 MMAD 不能开始 → 块间也串行。这是最差形态。</p>
|
||
<h3>1.2 只开 L0C Double Buffer —— 块间掩盖</h3>
|
||
<p>L0C 分两份（A/B），块 n 在 L0C.A 搬出的同时，块 n+1 在 L0C.B 上算：</p>
|
||
<pre><code>L0C.A(块n): [==== MMAD ====]········[---- Fixpipe ----]
|
||
L0C.B(块n+1): [==== MMAD ====]········[---- Fixpipe ----]
|
||
L0C.A(块n+2): [==== MMAD ====]···
|
||
周期 T = max(t_mm, t_fp)</code></pre>
|
||
<p><strong>关键</strong>：DB 让"块 n 的 Fixpipe"与"块 n+1 的 MMAD"重叠，把块间等待消掉。但注意两点：</p>
|
||
<ul>
|
||
<li><strong>掩盖成立的前提一</strong>：<code>baseM·baseN·4B·2 ≤ L0C</code>（256KB）→ <code>baseM·baseN ≤ 32768</code>，否则 L0C 装不下两份，DB 开不了。baseM=baseN=256 时 <code>256·256=65536 > 32768</code>，<strong>恰恰开不了 DB</strong>。</li>
|
||
<li><strong>掩盖成立的前提二</strong>：<code>t_mm ≥ t_fp</code>。若 <code>t_mm < t_fp</code>（计算快、搬出慢），块 n+1 的 MMAD 很快算完，仍要空等块 n 的 Fixpipe 收尾 → 周期退化为 <code>T = t_fp</code>，瓶颈转移到 Fixpipe，DB 掩盖不充分。</li>
|
||
</ul>
|
||
<h3>1.3 只开 UnitFlag —— 块内 512B 细粒度流水</h3>
|
||
<p>UnitFlag 把单个 base 块按 512B 切成若干 micro-tile，MMAD 每算完一个 512B 就立即触发对应 Fixpipe，两者在<strong>同一块内</strong>交错：</p>
|
||
<pre><code>块n(L0C): [M][M][M]...[M] ← MMAD 按 512B 推进
|
||
[F][F][F]...[F] ← Fixpipe 跟随 512B，逐段搬出
|
||
周期 T ≈ max(t_mm, t_fp) + tail
|
||
（tail = 最后一个 512B micro-tile 的 Fixpipe 尾开销，可忽略）</code></pre>
|
||
<p><strong>关键差异</strong>：UnitFlag 不依赖"下一块的 MMAD"来掩盖，它在<strong>当前块内部</strong>就让 Fixpipe 跟着 MMAD 的进度流水走。因此：</p>
|
||
<ul>
|
||
<li><strong>不要求 L0C 装两份</strong>（不消耗 L0C 容量）；</li>
|
||
<li><strong>不要求 t_mm ≥ t_fp</strong>：无论谁长谁短，都能逼近 <code>max(t_mm, t_fp)</code>。即使 <code>t_mm < t_fp</code>，Fixpipe 也是边算边搬，Cube 不停（是 Fixpipe 流水成为瓶颈，而非 Cube 空等）。</li>
|
||
</ul>
|
||
<hr/>
|
||
<h2>2. 块内能 max 了，块间还需不需要考虑？—— 叠加性论证</h2>
|
||
<p>这是你追问的核心。我们严格区分两种情形。</p>
|
||
<h3>2.1 情形 A：K 不在单块内累加（一次 Iterate 算完一整块 K）</h3>
|
||
<p>这是 mat_mul_v3 最常见的形态：一个 base 块的 <code>singleCoreK</code> 完整累加进 L0C，算完一次性 Fixpipe 搬出到 GM。</p>
|
||
<ul>
|
||
<li><strong>开 UnitFlag 后</strong>，单块周期已经是 <code>≈ max(t_mm, t_fp)</code>。块 n 的 Fixpipe 段与块 n 的 MMAD 段在时间上<strong>几乎完全重叠</strong>（只差一个 tail）。</li>
|
||
<li>此时若再开 L0C DB，想做的是"块 n 的 Fixpipe 与块 n+1 的 MMAD 重叠"——但<strong>块 n 的 Fixpipe 已经被块 n 自己的 MMAD 占满了时间窗</strong>，块 n+1 的 MMAD 本可以在块 n 的 Fixpipe 尾段就开始，可 UnitFlag 已经把块 n 的 Fixpipe"摊平"到整个块 n 的计算区间里，块 n+1 能利用的"纯 Fixpipe 空窗"只剩最后一个 tail。</li>
|
||
</ul>
|
||
<p><strong>所以在这个情形下，DB 的块间掩盖与 UnitFlag 的块内掩盖争夺的是同一段时间（同一块的 Fixpipe），被 UnitFlag 掩盖后，DB 几乎无的放矢 → 两者收益不叠加。</strong> 你的判断"开了 UnitFlag，上一块的 cube 计算已经和上一块的 fixpipe 重叠了，就没法再和下一块的 cube 重叠"在 K 内一次累加场景下<strong>成立</strong>。</p>
|
||
<h3>2.2 情形 B：K 在单块内分片累加（多次 Iterate 累加进同一 L0C）</h3>
|
||
<p>当 <code>singleCoreK</code> 很大、被切成多个 <code>baseK</code> 分片时，同一 base 块要做多轮 <code>MMAD→（部分结果留在 L0C）</code>，<strong>Fixpipe 只在最后一次累加完成后才整体搬出</strong>。</p>
|
||
<ul>
|
||
<li>这里 UnitFlag 的约束就暴露了：<strong>官方明确「使能 UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」</strong>。也就是说，<strong>L0C 上做多分片 K 累加的场景，UnitFlag 用不了</strong>。</li>
|
||
<li>此时若 Fixpipe 搬出与后续计算存在串行，<strong>只能靠 L0C DB 做块间掩盖</strong>（一块在累加，另一块的成品在搬出）。</li>
|
||
</ul>
|
||
<p><strong>所以 UnitFlag 的使用边界里明确排除了「L0C K 累加」这一类场景，而这恰恰是多分片大 K 的常见形态 → 这类场景 UnitFlag 无法取代 DB。</strong></p>
|
||
<h3>2.3 叠加性结论</h3>
|
||
<table><thead><tr><th>场景</th><th>UnitFlag</th><th>L0C DB</th><th>能否叠加</th><th>主导掩盖</th></tr></thead><tbody>
|
||
<tr><td>K 一次累加，t_mm≥t_fp，能开DB</td><td>块内掩盖</td><td>块间掩盖</td><td><strong>收益不叠加</strong>（同一段 Fixpipe）</td><td>任一即可，UnitFlag 更省 L0C</td></tr>
|
||
<tr><td>K 一次累加，t_mm<t_fp</td><td>块内掩盖（Cube不停）</td><td>掩盖不足（退化 t_fp）</td><td>DB 无效，UnitFlag 主导</td><td><strong>UnitFlag</strong></td></tr>
|
||
<tr><td>K 一次累加，baseM·baseN>32768</td><td>块内掩盖</td><td><strong>开不了</strong></td><td>DB 不可用，UnitFlag 主导</td><td><strong>UnitFlag</strong></td></tr>
|
||
<tr><td>K 分片累加（大 K）</td><td><strong>不支持</strong>（多次Iterate一次输出）</td><td>块间掩盖</td><td>UnitFlag 不可用，DB 主导</td><td><strong>L0C DB</strong></td></tr>
|
||
</tbody></table>
|
||
<hr/>
|
||
<h2>3. UnitFlag 能否完全取代 L0C DB？</h2>
|
||
<p><strong>不能完全取代。</strong> 结合上面论证与 NPU 架构约束，分三层说清：</p>
|
||
<h3>3.1 从掩盖能力看：UnitFlag 掩盖域 ⊇ DB（在它能用的场景内）</h3>
|
||
<p>在「K 一次累加、C 输出 GM、Norm/IBShare/MDL 模板」这个 UnitFlag 的合法域内：</p>
|
||
<ul>
|
||
<li>DB 达到 <code>max(t_mm,t_fp)</code> 需要<strong>两个前提</strong>（L0C 装得下两份 + t_mm≥t_fp）；</li>
|
||
<li>UnitFlag 达到 <code>≈max(t_mm,t_fp)</code> <strong>几乎无条件</strong>（块内 512B 流水），还省下 L0C 容量（这份容量可用来把 baseM/baseN 做大，减少重复读）。</li>
|
||
</ul>
|
||
<p>所以<strong>在 UnitFlag 合法域内，DB 相对它没有独立价值，可以被取代</strong>。你的直觉在这一层是对的。</p>
|
||
<h3>3.2 从合法域看：UnitFlag 有约束，DB 是兜底</h3>
|
||
</blockquote>
|
||
<p><strong>高阶 API 层官方约束</strong>（出处：昇腾官网 → CANN → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → 《Matmul 高阶 API 开启 UnitFlag》社区版 / 《Matmul 高阶 API 使能 UnitFlag》商用版，"约束条件"一节，逐字摘录）：</p>
|
||
<ol>
|
||
<li><strong>模板限制</strong>：UnitFlag 功能仅支持 <strong>Norm、IBShare、MDL</strong> 三个模板。</li>
|
||
<li><strong>流水互斥</strong>：开启 UnitFlag 功能时，不支持算子内<strong>同时存在 L0C Buffer（CO1）搬出到 Global Memory 和 L1 Buffer（A1）搬出到 Global Memory 的两种流水</strong>。</li>
|
||
<li><strong>累加限制</strong>：开启 UnitFlag 功能时，若同时开启 <strong>L0C 累加</strong> 功能，不支持<strong>多次 Iterate 计算、一次 GetTensorC 输出</strong>。</li>
|
||
<li><strong>收益前提</strong>：仅当 MMAD 流水与 FIXPIPE 流水<strong>串行执行且未被其他流水掩盖</strong>（比如 MTE2 Bound）时，开启 UnitFlag 才有收益；否则收益很小。</li>
|
||
</ol>
|
||
<p>这四条是官方文档明确写出的原文（第 2、3 条在 §3.4 逐条考据）。落在高阶 API 约束之外的场景，UnitFlag 不可用，<strong>只能退回 L0C DB</strong> 做块间掩盖。</p>
|
||
<h3>3.3 从 mat_mul_v3 实际看：默认已开 UnitFlag，DB 是「补位」而非「主选」</h3>
|
||
<ul>
|
||
<li>mat_mul_v3 主路径 <code>MM_CFG_NO_PRELOAD</code> 已把 enUnitFlag 置真，StreamK 又在回调里显式 <code>unitFlag=3</code> → <strong>UnitFlag 是该算子的默认掩盖手段</strong>。</li>
|
||
<li>dbL0C 的判据 <code>baseM·baseN ≤ 32768</code> 与"最优 base=256×256"天然冲突（256×256 开不了 DB）——这说明在 950PR 上，<strong>设计者的倾向就是靠 UnitFlag 做块内掩盖，DB 只在 base 块被迫做小（如矩形 256×128）或落在 UnitFlag 约束之外时补位</strong>。</li>
|
||
</ul>
|
||
<p><strong>最终判断</strong>：UnitFlag 在其合法域内可以取代 L0C DB（且更优），但因「模板/流水互斥/累加」三重硬约束，它<strong>无法覆盖全部场景</strong>；L0C DB 作为不依赖这些约束的块间掩盖手段，是 UnitFlag 失效场景下的必要补充，两者是<strong>主从互补</strong>关系，而非简单的"新替旧"。</p>
|
||
<hr/>
|
||
<h3>3.4 对官方三条约束的逐条考据（答疑）</h3>
|
||
<p>针对三条容易被误读的官方约束，逐一给出原文出处、准确含义、以及在 mat_mul_v3 / 950PR 上的实际适用性。</p>
|
||
<h4>3.4.1 「UnitFlag + L0C 累加时，不支持多次 Iterate 计算、一次 GetTensorC 输出」——具体是什么约束？它与"K 分段累加"是什么关系？</h4>
|
||
<p><strong>官方原文出处</strong>（高阶 API 层，两处）：</p>
|
||
<ul>
|
||
<li>昇腾社区官网 CANN 社区版 → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → <strong>《Matmul 高阶 API 开启 UnitFlag》</strong>，约束条件第 3 条：</li>
|
||
</ul>
|
||
</blockquote>
|
||
<ul>
|
||
<li>昇腾社区官网 CANN 商用版 → 同名章节 <strong>《Matmul 高阶 API 使能 UnitFlag》</strong>，约束条件第 3 条（表述更完整）：</li>
|
||
</ul>
|
||
</blockquote>
|
||
<p><strong>这是"高阶 API（Iterate/GetTensorC）"层的约束，不是"基础 API（Mmad/Copy）"层的限制</strong>——这是理解的关键，也是本节要澄清的核心误区。</p>
|
||
<p><strong>它约束的准确形态</strong>：用<strong>高阶 API</strong> 编程时，同一个 base 块如果「<code>mm.Iterate()</code> 多次（K 分片在 L0C 驻留累加）、最后只 <code>mm.GetTensorC()</code> 一次（一次输出）」，且此时打开了 L0C 累加功能，那么高阶 API 内部的 UnitFlag 封装无法正确处理 → 不允许。即：</p>
|
||
<pre><code>// 高阶 API 下被禁止的形态
|
||
for (kSlice = 0; kSlice < kSliceNum; kSlice++) {
|
||
mm.Iterate(); // 多次 Iterate，部分和在 L0C 驻留累加
|
||
}
|
||
mm.GetTensorC(c); // 只在最后一次搬出</code></pre>
|
||
<p><strong>但是——底层基础 API（Mmad/Copy 指令）完全支持 K 分段累加，且能做出很好的流水掩盖。</strong> 这是用户指出的关键点，官方《UnitFlag —— Mmad 计算关键特性说明》（基础 API/矩阵计算 Tensor API）有明确机制与实例，逐字核实如下：</p>
|
||
<p><strong>底层机制</strong>：开启 UnitFlag 后，L0C Buffer 按 <strong>512B 内存块</strong>划分，每块配一个「单元标志位」（unit-flag），指示该块可读/可写。<code>Mmad</code>（写）与 <code>Copy</code>/<code>Fixpipe</code>（读）通过 <code>unitFlag</code> 参数控制：</p>
|
||
<table><thead><tr><th>unitFlag 取值</th><th>语义（写=Mmad / 读=Fixpipe）</th></tr></thead><tbody>
|
||
<tr><td><strong>2</strong></td><td>指令执行后<strong>不改变</strong>标志位：写操作写完保持"占用"，让后续 Mmad 还能继续写这块（用于 K 累加的中间片）；读操作读完保持"可读"，让后续 Fixpipe 还能继续读</td></tr>
|
||
<tr><td><strong>3</strong></td><td>指令执行后<strong>翻转</strong>标志位：Mmad 写完置"可读"（放给 Fixpipe 搬）；Fixpipe 读完置"可写"（放还给 Mmad）</td></tr>
|
||
</tbody></table>
|
||
<p><strong>官方 K 分段累加实例</strong>（原文）：A=128×1024、B=1024×128，沿 K 轴迭代，每次迭代 K 长 128，共 8 次 Mmad 对应 1 次 Fixpipe：</p>
|
||
<ul>
|
||
<li><strong>前 7 次 Mmad 设 <code>unitFlag=2</code></strong>：写入后把标志位<strong>始终保持 0</strong>，保证后续 Mmad 能继续写入同一块 L0C Buffer（即在同一块 L0C 上做 K 累加）；</li>
|
||
<li><strong>最后 1 次 Mmad 设 <code>unitFlag=3</code></strong>：写入后把标志位置 1，保证 Fixpipe 可以读取 L0C Buffer；</li>
|
||
<li><strong>Fixpipe 设 <code>unitFlag=3</code></strong>：读取后把标志位置 0，保证后续 Mmad 接口可以顺利写入。</li>
|
||
</ul>
|
||
<p><strong>结论修正</strong>：所以"UnitFlag 支持 K 分段累加、最后一次搬出"在<strong>基础 API 层是成立的、且是官方推荐用法</strong>。用户描述的"以 16×K×16 为粒度，算完一段立即让 Fixpipe 搬出对应 16×16 到 GM、同时开始下一段 16×K×16 计算"的掩盖方式，正是 UnitFlag 在块内流水 + K 分段场景下的正确用法，<strong>确实能有很好的掩盖</strong>。</p>
|
||
<p><strong>它与高阶 API 约束的边界</strong>：高阶 API 的 <code>mm.Iterate()</code> 一次调用内部会完成 <code>singleCoreK</code> 的全部 K 分片流水（L0C 原地累加是 MMAD 固有语义，这一步不受约束影响）；高阶约束禁的只是"<strong>跨多次 <code>Iterate()</code></strong> 且最后才一次 <code>GetTensorC()</code>"这种由用户在<strong>高阶层面</strong>组织的驻留累加。换言之：</p>
|
||
<ul>
|
||
<li><strong>底层 Mmad 级</strong>：<code>unitFlag=2/3</code> 可自由编排 K 分段累加 → 支持；</li>
|
||
<li><strong>高阶 Iterate 级</strong>：<code>Iterate</code> 内部 K 分片（一次 Iterate 完成）→ 支持；<code>Iterate</code> 多次 + 末次 <code>GetTensorC</code> → 不支持。</li>
|
||
</ul>
|
||
<p><strong>mat_mul_v3 是否踩高阶约束？——不踩（常规路径）</strong>。看 <code>mat_mul_asw_kernel.h:140-141</code>：</p>
|
||
<pre><code>mm_.Iterate();
|
||
mm_.GetTensorC(cGlobal_[...], enAtomic || kIndex != 0); // 每次 Iterate 紧跟一次 GetTensorC</code></pre>
|
||
<p>mat_mul_v3 的普通 ASWT 是 <strong>「一次 Iterate → 一次 GetTensorC」一一配对</strong>（即便 splitKRound 循环里也是成对出现，用 <code>enAtomic || kIndex!=0</code> 在 GM 侧原子加，而非 L0C 驻留累加）。它不是"多次 Iterate、一次 GetTensorC"，因此常规路径不触碰高阶约束，UnitFlag 可用。真正会触碰的是 <code>intraBlockPartSum</code>（两 AIV 结果在 L0C 累加）这类显式 L0C 驻留累加特性——StreamK 绕道 workspace + AIV 累加正是为了避开它。</p>
|
||
<h4>3.4.2 一次 Iterate 最大支持的 K 是多少？</h4>
|
||
<p><strong>先澄清概念</strong>：官方约束里没有任何一条把 "一次 Iterate 的 K 上限" 与 UnitFlag 挂钩。<strong>UnitFlag 约束的不是 K 的大小，而是"累加由谁、在哪个层级组织"</strong>（见上一条）。一次 Iterate 能算多大的 K，由 <strong>L0C 之外的资源（L1/L0A/L0B 容量、stepKa/stepKb 流水深度、baseK）</strong> 决定，与 UnitFlag 无关：</p>
|
||
<ul>
|
||
<li>单次高阶 <code>Iterate()</code> 的 K 由 <code>singleCoreK</code> 决定，<code>singleCoreK</code> 在 L1 内按 <code>stepKa·baseK</code>（A 侧）/ <code>stepKb·baseK</code>（B 侧）分多片流水喂给 Cube，<strong>每片的中间结果在同一 L0C 上原地累加</strong>（MMAD 固有累加语义，属"一次 Iterate 内部"，不违反高阶约束）。</li>
|
||
<li>若单次 <code>Iterate()</code> 装不下整个 K（K 超过 L1/L0 一次能流水的范围），高阶层会拆成多次 <code>Iterate()</code>；此时只要不打开"L0C 驻留累加 + 末次才 GetTensorC"，就不违反约束（mat_mul_v3 用 GM 原子加规避）。</li>
|
||
</ul>
|
||
<p><strong>结论</strong>：<strong>没有"一次 Iterate 最大 K 受 UnitFlag 限制"这回事</strong>。一次 Iterate 的 K 上限由 L1/L0 容量与 stepK 流水决定（例如 950PR 上 <code>maxStepK ≤ 8</code>、<code>baseK ≈ 128B/dtype</code>），UnitFlag 只管"算出的 512B 何时搬出"，不管 K 多大。把这条约束理解成"K 不能超过某值"是误读——它限的是"累加跨几次 Iterate 的组织方式"，不是"K 的绝对大小"。</p>
|
||
<h4>3.4.3 「不允许同时存在 CO1(L0C)→GM 与 A1(L1)→GM 两种搬出流水」——是什么意思？L1 能直接写回 GM 吗？</h4>
|
||
<p><strong>官方原文出处</strong>：同上两篇《Matmul 高阶 API（使能/开启）UnitFlag》，约束条件第 2 条：</p>
|
||
</blockquote>
|
||
<p><strong>这条的字面意思</strong>：UnitFlag 开启时，同一个算子里不能<strong>同时</strong>出现两类搬出流水——一类是 L0C→GM（结果搬出，走 Fixpipe），另一类是 L1(A1)→GM（从 L1 直接把数据写回 GM）。即搬出通路的"源头"必须统一为 L0C，不能 L0C 和 L1 混着当搬出源。</p>
|
||
<p><strong>「L1 能直接写回 GM 吗？」——分架构看，这正是关键点</strong>：</p>
|
||
<ul>
|
||
<li><strong>在 950PR（351x 架构）上：不能。</strong> 950 白皮书明确，351x 相对上代<strong>删除了 <code>L1→GM</code> 的回写通路</strong>（同时也删除了 <code>GM→L0A/L0B</code> 的直达通路），一切矩阵数据的搬出都必须经 <code>L0C→Fixpipe→GM</code>。所以<strong>在 950PR 上根本不存在"L1→GM"这条物理通路</strong>，这条约束对 950PR 而言<strong>自然满足、不会触发</strong>——它更像是从支持 L1→GM 的老架构（如部分 A2/A3 代际）沿用过来的兼容性约束。</li>
|
||
<li><strong>mat_mul_v3 在 950PR 上的搬出源</strong>：普通 ASWT 的结果一律走 <code>L0C→Fixpipe→GM(C)</code>（<code>mm_.GetTensorC(cGlobal...)</code>），没有任何 L1→GM 的直接搬出 → 符合该约束。</li>
|
||
</ul>
|
||
<p><strong>小结</strong>：这条约束的语义是"搬出源必须唯一（只能是 L0C）"，防止 UnitFlag 的细粒度同步在"两种不同源头的搬出"上产生时序混乱。在 950PR 上由于 L1→GM 通路已被硬件删除，这条约束<strong>自动成立</strong>，不会成为限制 mat_mul_v3 开 UnitFlag 的因素。</p>
|
||
<h4>3.4.4 三条约束在 mat_mul_v3 / 950PR 上的实际生效性汇总</h4>
|
||
<table><thead><tr><th>官方约束</th><th>准确含义</th><th>950PR 上是否实质限制 mat_mul_v3</th></tr></thead><tbody>
|
||
<tr><td>仅 Norm/IBShare/MDL 模板</td><td>UnitFlag 只在三个高阶模板下有效</td><td>mat_mul_v3 用 MDL（GetMDLConfig）→ <strong>满足</strong></td></tr>
|
||
<tr><td>不能同时有 CO1→GM 与 A1→GM 两种搬出</td><td>搬出源必须唯一为 L0C</td><td>351x 已删 L1→GM 通路 → <strong>自动满足，无实质限制</strong></td></tr>
|
||
<tr><td>L0C 累加时不支持多次 Iterate 一次输出</td><td>高阶层禁止"跨多次 Iterate 的 L0C 驻留累加 + 末次才搬出"（底层 Mmad 级 unitFlag=2/3 仍支持 K 分段累加）</td><td>mat_mul_v3 常规路径是 Iterate/GetTensorC 一一配对 → <strong>不触碰，UnitFlag 可用</strong>；仅显式 L0C 驻留累加（如 intraBlockPartSum）才触碰</td></tr>
|
||
<tr><td>MTE2 Bound 已掩盖时收益小</td><td>Fixpipe 已被搬运流水掩盖时无需再开</td><td>这是<strong>收益</strong>问题不是<strong>正确性</strong>问题，不影响可用性</td></tr>
|
||
</tbody></table>
|
||
<p><strong>由此可得更精确的判断</strong>：mat_mul_v3 在 950PR 上常规路径（含普通 ASWT、A/B 全载、以及把 K 分片放到 GM workspace 由 AIV 累加的 StreamK）<strong>都满足 UnitFlag 的可用条件且默认已开启</strong>；高阶 API 真正排除的是"<strong>多次 Iterate + 末次一次 GetTensorC</strong>"的组织方式——而 mat_mul_v3 用"GM 原子加 / workspace + AIV 累加"规避了它。这支撑 §3.3 的结论：<strong>在 950PR 上 UnitFlag 的合法域覆盖了 mat_mul_v3 的全部主路径，L0C DB 的补位空间被压缩得很小</strong>。</p>
|
||
<hr/>
|
||
<h3>3.5 两个层级的澄清：为什么"高阶约束说不能 K 分段一次输出"，而"底层文档却举例 K 分段累加"？</h3>
|
||
<p>这是最容易混淆、也最关键的一点，单独澄清。</p>
|
||
<p><strong>两个层级的对象不同</strong>：</p>
|
||
<table><thead><tr><th>层级</th><th>编程接口</th><th>UnitFlag 的控制量</th><th>对 K 分段累加的支持</th></tr></thead><tbody>
|
||
<tr><td>基础 API（指令级）</td><td><code>Mmad</code> / <code>Copy</code>/<code>Fixpipe</code> 指令</td><td>指令参数 <code>unitFlag = 2/3</code>，逐 512B 块控标志位</td><td><strong>支持</strong>：前 n−1 次 Mmad 设 2（保持占用、续写累加），末次 Mmad 设 3（释放给 Fixpipe），官方明确给出 K 分 8 次迭代的实例</td></tr>
|
||
<tr><td>高阶 API（对象级）</td><td><code>Matmul.Iterate()</code> / <code>GetTensorC()</code></td><td><code>MatmulConfig.enUnitFlag = true</code>，由库内部统一编排</td><td><strong>受限</strong>：<code>Iterate</code> 内部的 K 分片流水（一次 Iterate 完成）支持；但"<strong>多次 Iterate + 末次一次 GetTensorC</strong>"这种高阶层组织的驻留累加不支持</td></tr>
|
||
</tbody></table>
|
||
<p><strong>为什么高阶层反而受限</strong>：高阶 <code>Matmul</code> 对象把"K 分片、L0C 驻留、何时搬出"都封装在 <code>Iterate()/GetTensorC()</code> 内部，UnitFlag 的标志位编排也由库统一管理。当用户用高阶接口做"多次 Iterate 累加 + 一次 GetTensorC"时，库无法在一次 <code>GetTensorC</code> 里反推出前面若干次 Iterate 各自该用什么 unitFlag 时序，于是干脆禁止这种组合。而<strong>基础 API 层把 unitFlag 的控制权直接交给用户</strong>，用户可以自己排"前 n−1 次设 2、末次设 3"，所以能做更灵活的 K 分段累加流水。</p>
|
||
<p><strong>对用户设想的直接回答</strong>：你描述的"以 16×K×16 为粒度，每段算完立即让 Fixpipe 搬出对应 16×16 到 GM、同时开始下一段计算"——<strong>在基础 API 层完全成立，且就是官方推荐用法</strong>（前段 unitFlag=2 保持占用、末段 unitFlag=3 释放）。这种"K 分段 + 边算边搬"能同时做到：① 块内 512B 流水掩盖；② K 分段累加。它比单纯 L0C DB 更省 L0C 容量、掩盖更细。</p>
|
||
<p><strong>但要强调一个前提</strong>：这种灵活编排走的是<strong>基础 API（Mmad/Copy + 手写 unitFlag=2/3）</strong>，不是 mat_mul_v3 用的高阶 <code>Matmul</code> 对象。mat_mul_v3 用高阶 API 换来的是开发效率与正确性保证，代价就是受高阶约束（不能多次 Iterate 一次输出）。如果要做你说的这种极致 K 分段流水，需要下沉到基础 API 层手写 Mmad/Copy 序列——这正是 catlass（类 CUTLASS 模板库）一层在做的事。</p>
|
||
<p><strong>对"UnitFlag 能否完全取代 L0C DB"的最终修正</strong>：</p>
|
||
<ul>
|
||
<li>在 <strong>mat_mul_v3（高阶 API）现状</strong>下：主路径默认开 UnitFlag，K 一次 Iterate 完成，Fixpipe 已被块内 512B 流水掩盖，<strong>L0C DB 价值很小</strong>（且 256×256 时本就开不了 DB）。DB 仅在 base 块被迫做小（256×128 等）时偶发有用。</li>
|
||
<li>在 <strong>基础 API / catlass 层</strong>：UnitFlag 用 unitFlag=2/3 可覆盖 K 分段累加场景，掩盖能力进一步逼近"完全取代 DB"。</li>
|
||
<li><strong>仍不能完全取代的根本原因</strong>：不在"K 能不能分段"（底层能），而在于 <strong>UnitFlag 依赖 L0C 块被"写满即搬"，它服务的是"计算结果要尽快流出 L0C"的场景</strong>；而 L0C DB 的本质是"<strong>用双倍 L0C 容量换时间上的重叠</strong>"，它服务的是"想让 base 块更大、减少重复读"的场景。当 L0C 容量成为 tiling 瓶颈（想把 baseM·baseN 做大但放不下两份）时，UnitFlag（不占额内容量）反而比 DB 更优——这一层上 UnitFlag 甚至优于 DB。只有当场景落到 UnitFlag 高阶约束之外（如必须用多次 Iterate 驻留累加）时，DB 才成为唯一选择。</li>
|
||
</ul>
|
||
<p><strong>一句话总结</strong>：在 950PR + mat_mul_v3 的语境里，<strong>UnitFlag 已经基本取代 L0C DB 作为 Fixpipe 掩盖的主手段</strong>；DB 退化为"高阶 API 约束之外（多次 Iterate 驻留累加）"和"L0C 装得下两份、想换更大 base 块"这两类边角场景的兜底。</p>
|
||
<hr/>
|
||
<h2>4. 对本项目性能建模与最优方案的直接推论</h2>
|
||
<ol>
|
||
<li><strong>建模时 Fixpipe 项要分两种掩盖</strong>：在性能模型 <code>T_total = max(T_MMAD, T_MTE2, T_MTE1, T_FIXPIPE)</code> 中，<code>T_FIXPIPE</code> 的实际暴露量应写成</li>
|
||
</ol>
|
||
<ul>
|
||
<li>开 UnitFlag（合法域内）：<code>T_FIXPIPE_exposed ≈ tail</code>（512B 尾开销）→ 基本可以忽略，Fixpipe 通常不构成独立瓶颈；</li>
|
||
<li>不开 UnitFlag（或不可用）：<code>T_FIXPIPE_exposed = max(0, t_fp - t_mm)</code>（DB 掩盖后的残余），且仅当 <code>baseM·baseN ≤ 32768</code> 时 DB 才生效，否则 <code>T_FIXPIPE_exposed = t_fp</code>（全暴露）。</li>
|
||
</ul>
|
||
<ol>
|
||
<li><strong>最优 tiling 的取舍被简化</strong>：既然 UnitFlag 默认开，baseM/baseN 的搜索<strong>不必再为"能否开 L0C DB"让步</strong>，可以更激进地逼近 256×256（重复读最少）。原先"为开 DB 而把 baseN 砍半"的权衡在 UnitFlag 合法域内不成立。这是对 §3.2 <code>GetRebalanceBlock</code> 的一处实质修正点。</li>
|
||
<li><strong>真正需要单独建模的 K 累加形态</strong>：需要警惕的不是 mat_mul_v3 的主路径，而是"<strong>在 L0C 里做跨 Iterate 驻留累加</strong>"这一类形态（核内 split-K 驻留 / intraBlockPartSum 等）。这类形态被 UnitFlag 约束排除，只能靠 L0C DB 做块间掩盖。mat_mul_v3 的 StreamK 用 workspace + AIV 累加规避了它，因此主路径不受影响；但若未来引入 L0C 驻留累加的新模板，性能模型需为其单列 Fixpipe 掩盖方式（回到 DB 主导）。</li>
|
||
</ol>
|
||
<hr/>
|
||
<h2>附录：关键证据索引</h2>
|
||
<table><thead><tr><th>证据</th><th>位置</th></tr></thead><tbody>
|
||
<tr><td>高阶 API UnitFlag 约束（在线）</td><td>昇腾社区官网 → CANN → 算子实践参考 → 优秀实践 → Matmul 性能调优案例 → 《Matmul 高阶 API 开启 UnitFlag》（社区版）/《Matmul 高阶 API 使能 UnitFlag》（商用版）"约束条件"一节</td></tr>
|
||
<tr><td>高阶 API UnitFlag 约束（本地）</td><td><code>昇腾NPU知识库/CANN社区版9.2.0-beta.1/01_AscendC算子开发/292_..._开启UnitFlag.md</code>（第15-21行）、<code>昇腾NPU知识库/CANN商用版9.0.0/01_AscendC算子开发/203_..._使能UnitFlag.md</code>（第17/21/23行，表述最完整）</td></tr>
|
||
<tr><td><strong>基础 API UnitFlag 机制（unitFlag=2/3、K 分段累加实例，在线）</strong></td><td>昇腾社区官网 → CANN → API 参考 → Ascend C API → SIMD API → 基础 API → 矩阵计算（Tensor API）→ Mmad 计算关键特性说明 → <strong>《UnitFlag》</strong>（用户所给链接：hiascend.com/.../Mmad计算关键特性说明/UnitFlag.md）</td></tr>
|
||
<tr><td>基础 API UnitFlag 机制（本地缓存）</td><td><code>昇腾NPU/.tmp/unitflag_raw2.txt</code>（已抓取的页面正文，含 128×1024 八次迭代实例原文）</td></tr>
|
||
<tr><td>GetMDLConfig 签名（第7参=enUnitFlag）</td><td><code>昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/631_..._GetMDLConfig.md</code></td></tr>
|
||
<tr><td>enUnitFlag 默认值与约束</td><td><code>昇腾NPU知识库/CANN商用版9.0.0/02_API参考/AscendC_API/626_..._MatmulConfig.md</code></td></tr>
|
||
<tr><td>351x 删除 L1→GM / GM→L0 直达通路</td><td><code>昇腾NPU知识库/00_硬件/昇腾950_NPU架构白皮书.txt</code>（CV融合/数据通路章节）；同仓 <code>昇腾950PR/昇腾950PR架构解读.md</code> §5.1</td></tr>
|
||
<tr><td>MM_CFG_NO_PRELOAD 显式开 enUnitFlag</td><td><code>ops-nn/matmul/mat_mul_v3/op_kernel/mat_mul_v3_common.h:72</code></td></tr>
|
||
<tr><td>普通 ASWT Iterate/GetTensorC 一一配对</td><td><code>ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_asw_kernel.h:140-141</code></td></tr>
|
||
<tr><td>StreamK 回调显式 unitFlag=3</td><td><code>ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_stream_k_kernel.h:36-37</code></td></tr>
|
||
<tr><td>StreamK K 分片走 workspace + AIV 累加</td><td><code>ops-nn/matmul/mat_mul_v3/op_kernel/arch35/mat_mul_stream_k_kernel.h:188-259</code>、<code>mat_mul_stream_k_block.h</code></td></tr>
|
||
<tr><td>dbL0C 判据 baseM·baseN≤32768</td><td><code>ops-nn/matmul/mat_mul_v3/op_host/op_tiling/arch35/matmul_v3_tiling_helper.cpp:490</code></td></tr>
|
||
</tbody></table></body></html> |