Cube 核算子优化路径

【免费下载链接】cannbot-skillsCANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体，本仓库为其提供可复用的 Skills 模块。项目地址: https://gitcode.com/cann/cannbot-skills

• 原则1：首先是模式选择，不同模式对应不同的优化路径，要选择对应的优化路径进行参考。
• 原则2：专门的调优实验要比总结的规律重要，总结的规律只有当按照实验做完没有收益时再考虑。

1. 模式识别与路径选择

两种编程模式

识别方法

检查 kernel 代码中的关键特征：

# Expert 模式标识： T.alloc_L0A(...) # 显式分配 L0A T.alloc_L0B(...) # 显式分配 L0B T.mma(A_L0, B_L0, C_L0) # 使用 T.mma intrinsic T.set_flag(...) # 手动 flag 同步 T.wait_flag(...) # 手动 flag 同步 # Developer 模式标识： T.gemm_v0(A_L1, B_L1, C_L0) # 使用 T.gemm_v0 高层抽象 # 无 L0A/L0B 显式分配 # 无手动 flag 同步（依赖 auto_sync）

路径选择

识别到 T.mma → Expert 路线（§2） 识别到 T.gemm_v0 → Developer 路线（§3） 其他 cube 算子（FA、SparseFA 等）同理识别

2. Expert 模式优化路径（T.mma）

2.1 优化路径（4 步）

Step 1: 最简 T.mma（单缓冲） → 选当前最优 tiling：block_K=K_L1=128（打满 L0，详见 §5 硬件约束速查 / §6 Tiling 参数说明） → 性能：0.64x Step 2: +整体双缓冲 + 三级K分块（不可分割） → 重新评估 tiling：block_K=128 双缓冲时 L0B 溢出 → 调整为 block_K=64, K_L1=256（= block_K × 4） → 性能：0.95x（+48.8%） 变体：预取双缓冲（L0 层预取重叠）❌ 不推荐 → 在整体双缓冲基础上，循环外预取 kk=0，循环内预取 kk+1 → copy[kk+1] 和 mma[kk] 重叠执行 → 无 FC：0.93x（比整体双缓冲还差，flag 同步开销暴露） → 有 FC：1.01x（与整体双缓冲+FC 持平，无净收益） → 结论：预取重叠收益被 flag 同步开销抵消，不推荐采用 Step 3: +Fixed Core → tiling 不变，只改 launch 方式（按物理核数 launch，循环处理 tile） → 性能：1.01x（+5.7%） → 注意：小矩阵（tile 数 ≤ 20）可能劣化 Step 4: +Swizzle（实验性，劣化不采用） → 加 T.use_swizzle 重映射 tile 到 core 的分配顺序 → 性能：0.99x（-1.8%） → 结论：整体劣化，不默认采用，但后续算子仍需实验验证

2.2 双缓冲策略

双缓冲与三级K分块的耦合关系

双缓冲和三级K分块是不可分割的优化单元，必须同时实现：

• 没有双缓冲，三级K是纯串行：K_L1 切成 block_K 的小块，每次 L1→L0 搬运和 MMA 计算串行执行，多切只会多搬运，没有重叠。实测：单独加三级K（单缓冲）性能反而下降 19.6%。
• 没有三级K，双缓冲的 L0 ping-pong 不生效：block_K=K_L1 时，kL0split=1，buffer 1 从未使用，白白付出双缓冲同步开销。
• 两者同时存在才有意义：三级K 提供 L1→L0 的内层循环（loop_kk ≥ 2），双缓冲让内层循环的搬运和计算重叠。

整体双缓冲 vs 预取双缓冲

整体双缓冲（gemm_intrinsic.py）：

• L0 buffer 数 S2=2，但 copy 和 MMA串行执行
• 每个 kk 迭代：copy[kk] → wait → mma[kk]
• 无 FC：0.95x / 有 FC：1.01x

预取双缓冲（example_gemm_hiperef.py）：

• L0 buffer 数 S2=2，copy 和 MMA重叠执行
• 循环外预取 kk=0，循环内预取 kk+1
• 每个 kk 迭代：copy[kk+1] ∥ mma[kk]

逐步对比实验（20 case 全量，3 次取平均）：

Fixed Core 在预取双缓冲上的收益：+9.2%（大部分 case 正向，Case 8 +38.8%）Swizzle 在预取双缓冲上的收益：-4.1%（整体劣化，仅 2 case 正向）

结论：预取双缓冲无净收益，不推荐采用。

原因分析：

1. 纯预取双缓冲（无 FC）反而更差：0.93x < 0.95x。预取多出的 flag 同步开销（循环外预取 kk=0 + 循环内预取 kk+1 的 wait/set flag）在按 tile 数 launch 时暴露，抵消了 copy/mma 重叠的理论收益。
2. 有 FC 时两者持平：1.01x = 1.01x。FC 省掉的 ~200us 固定开销淹没了预取的同步开销，但预取重叠的收益仍被同步开销抵消，没有净增益。
3. Swizzle 在预取双缓冲上劣化更严重：-4.1% vs -1.8%。预取双缓冲的调度更复杂，Swizzle 打乱 tile 顺序对 cache 局部性的负面影响更大。

最优方案：整体双缓冲 + Fixed Core（无 Swizzle），即 Step 3，性能 1.01x。

预取双缓冲代码模式（仅供参考，不推荐使用）：

# 循环外预取 kk=0 -> L0[0] T.wait_flag("mte2", "mte1", k % S1) T.wait_flag("m", "mte1", 0) T.copy(A_L1[k % S1, 0, 0], A_L0[0, :, :]) T.copy(B_L1[k % S1, 0, 0], B_L0[0, :, :]) T.set_flag("mte1", "m", 0) for kk in T.serial(loop_kk): # 预取 kk+1 -> L0[(kk+1)%S2]，与 mma[kk] 重叠 if kk < loop_kk - 1: T.wait_flag("m", "mte1", (kk + 1) % S2) T.copy(A_L1[k % S1, 0, (kk + 1) * block_K], A_L0[(kk + 1) % S2, :, :]) T.copy(B_L1[k % S1, (kk + 1) * block_K, 0], B_L0[(kk + 1) % S2, :, :]) T.set_flag("mte1", "m", (kk + 1) % S2) if kk == loop_kk - 2: T.set_flag("mte1", "mte2", k % S1) # 计算 kk：数据已在上一轮预取就绪 T.wait_flag("mte1", "m", kk % S2) T.mma(A_L0[kk % S2, :, :], B_L0[kk % S2, :, :], C_L0, init=T.And(k == 0, kk == 0)) T.set_flag("m", "mte1", kk % S2)

2.3 Tiling 推导方法

前提：本节涉及的 L0C/L0A/L0B 容量约束和参数定义详见 §5 硬件约束速查 和 §6 Tiling 参数说明。

Step 1: 选 block_M, block_N, block_K

对于 fp16 + fp32 累加：

L0C: block_M × block_N ≤ 32768 (128KB / 4B) L0A: block_M × block_K ≤ 32768 (64KB / 2B) L0B: block_K × block_N ≤ 32768 (64KB / 2B)

目标：最大化 L0C 利用率（block_M × block_N 接近 32768）

单缓冲下的最优选择：

• (128, 256, 128): L0C = 32768 (100%), L0A = 16384 (50%), L0B = 32768 (100%)

双缓冲下的最优选择：

• (128, 256, 64): L0C = 32768 (100%), L0A = 8192 (25%), L0B = 16384 (50%)
• 双缓冲后 L0B = 64 × 256 × 2 × 2 = 64KB (100%)，刚好用满

Step 2: 加双缓冲+三级K时重新评估

L0A: block_M × block_K × sizeof(dtype) × 2 ≤ 64KB L0B: block_K × block_N × sizeof(dtype) × 2 ≤ 64KB

调整逻辑：单缓冲下 block_K=128 打满 L0B，双缓冲后 L0B 翻倍溢出，需将 block_K 减半到 64。

Step 3: 选 K_L1

K_L1 应该是 block_K 的倍数，越大搬运效率越高。

对于 (128, 256, 64)：

K_L1 = 256: L1 = (128×256 + 256×256) × 2 = 192KB ✅

推荐：K_L1 = 256（= block_K × 4），每次 L1 加载做 4 轮 MMA

什么时候需要重新评估 tiling

2.4 优化案例

逐步优化过程

Step 1: 最简 T.mma（单缓冲）

block_M = 128, block_N = 256, block_K = 128, K_L1 = 128 性能：0.64x

Step 2: +整体双缓冲 + 三级K分块

block_K: 128 → 64, K_L1: 128 → 256 性能：0.95x（+48.8%）

Step 2 变体: 预取双缓冲❌ 不推荐

性能：无 FC 0.93x / 有 FC 1.01x（与整体双缓冲持平）

Step 3: +Fixed Core

性能：1.01x（+5.7%）

Step 4: +Swizzle❌ 劣化不采用

性能：0.99x（-1.8%）

最终 tiling

block_M = 128, block_N = 256, block_K = 64, K_L1 = 256, S1 = 2, S2 = 2

性能验证

2.5 常见陷阱（Expert 专属）

陷阱 1: L0C 溢出

L0C 容量限制详见 §5 硬件约束速查。

# 错误：block_M × block_N × 4 > 128KB block_M = 256; block_N = 256 # L0C = 256KB > 128KB ❌ # 正确 block_M = 128; block_N = 256 # L0C = 128KB ✅

陷阱 2: 加双缓冲后未重新评估 tiling

L0B 容量限制详见 §5 硬件约束速查。

# 单缓冲选 block_K=128，加双缓冲后 L0B 溢出 # L0B (双缓冲) = 128×256×2×2 = 128KB > 64KB ❌ # 正确：block_K 减半到 64 # L0B (双缓冲) = 64×256×2×2 = 64KB ✅

陷阱 3: 双缓冲与三级K分开实现

# 错误：先单独加三级K（单缓冲）→ 性能下降 19.6% # 错误：先单独加双缓冲（block_K=K_L1）→ buffer 1 从未使用 # 正确：双缓冲 + 三级K同时实现 # block_K=64, K_L1=256, S1=2, S2=2 → 性能提升 48.8%

陷阱 4: 预取双缓冲看起来更优但实测无净收益

# 整体双缓冲：copy 和 MMA 串行 for kk in T.serial(loop_kk): T.copy(...) T.set_flag("mte1", "m", kk % S2) T.wait_flag("mte1", "m", kk % S2) # 阻塞等待 T.mma(...) T.set_flag("m", "mte1", kk % S2) # 性能：无 FC 0.95x / 有 FC 1.01x ← 推荐 # 预取双缓冲：copy 和 MMA 重叠（删除了 wait_flag） # 但多出的 flag 同步开销抵消了 copy/mma 重叠收益 # 性能：无 FC 0.93x / 有 FC 1.01x ← 不推荐

陷阱 5: Swizzle 不是万能的

# 错误：默认使用 Swizzle → 整体劣化 -1.8% # 正确：实验验证，劣化就不采用 # 正向 case 特征：tile 数 18~32，计算时间 < 20us # 劣化 case 特征：tile 数 > 500 或 tile 数 < 18

3. Developer 模式优化路径（T.gemm_v0）

3.1 gemm_v0 特性与限制

3.2 可调参数

参数定义和容量约束详见 §6 Tiling 参数说明 和 §5 硬件约束速查。

⚠️框架级改动提示（若按本条修改了 common.h，完成后必须告知用户）kL0Size位于框架文件src/tl_templates/ascend/common.h，并非算子前端参数。若 agent 依据本 skill 修改了该文件，请在完成后主动向用户输出以下说明：

• 此改动是框架级的，会影响所有调用gemm_v0的算子（不限于当前算子）；
• 理论上该改动只会让性能更好、不会劣化；
• 理论上只要生成算子即可，修改 common.h 属临时手段；该处已向 common.h 负责人提交 issue，后续框架会对此处进行优化，届时算子侧无需再改 common.h。

3.3 优化路径以及实测数据

优化路径可参考如下调优实验

三版逐步优化实验

由于gemmv0的特性与限制，developer模式的乘法算子调优空间较小，集中再tiling策略与核调度策略，优化路径为：基础实现->tiling策略调优->核调度调优，实验数据如下。

• 实验A：既然无法实现l1阶同步，那就要充分利用l0阶同步，kL0Size一定要小于K_L1，又由于硬件限制，kL0Size改为64，K_L1是其两倍，使双缓冲ping-pong生效。
• 实验B：由于大部分case都是大shape，分核后tile数远超核数，故选择FixedCore进行优化。

结论：

1. kL0Size 必须小于 K_L1，否则 L0 层 ping-pong 失效
2. 而K_L1以128为最优，所以将kL0Size改为64
3. 使用FC优化榨干最后的性能收益

3.4 常见陷阱（Developer 专属）

陷阱 1: kL0Size ≥ K_L1 导致 ping-pong 失效

# gemm_v0 内部：common.h 默认 kL0Size=128；若前端 K_L1=128 # kL0split = ceil(K_L1 / kL0Size) = ceil(128/128) = 1 → ping-pong 不生效 # 正确方案 A：编辑 common.h 改 kL0Size=64，前端 K_L1=128 # → kL0split=2，ping-pong 生效（实验A，0.51x） # 正确方案 B：升级到 Expert 模式，用 T.mma 替代 gemm_v0

⚠️框架级改动提示（若按"正确方案 A"修改了 common.h，完成后必须告知用户）kL0Size位于框架文件src/tl_templates/ascend/common.h，并非算子前端参数。若 agent 依据本 skill 修改了该文件，请在完成后主动向用户输出以下说明：

• 此改动是框架级的，会影响所有调用gemm_v0的算子（不限于当前算子）；
• 理论上该改动只会让性能更好、不会劣化；
• 理论上只要生成算子即可，修改 common.h 属临时手段；该处已向 common.h 负责人提交 issue，后续框架会对此处进行优化，届时算子侧无需再改 common.h。

4. 共享优化技术

4.1 Fixed Core

原理

按物理核数launch，每个核循环处理多个 tile，L1/L0 buffer 只分配一次被复用。相比按 tile 数 launch，节省了重复的 buffer 分配/释放开销。

收益规律

Fixed Core 的收益本质上是省掉一笔固定开销（约 200us），这笔开销在总时间中的占比决定了收益百分比。

控制变量实验（tile 数=2048，K 变化，Expert 模式）：

各模式适用性

代码规范模板

Fixed Core 模板：

core_num = 20 # 910B 物理核数 @T.prim_func def main(A, B, C): # 1. 固定核数core_num with T.Kernel(core_num, is_npu=True) as (cid, _): # ... buffer申请 ... with T.Scope("C"): # 2. grid-stride 循环处理所有 tile for i in T.serial(T.ceildiv(m_num * n_num, core_num)): # 3. 计算当前 tile ID cid_task = i * core_num + cid # 4. 尾块守卫（tile 数不整除 core_num 时） if cid_task < m_num * n_num: bx = cid_task // n_num by = cid_task % n_num # ... tile 计算 ...

关键规范点：

1. T.Kernel(core_num)固定核数 launch，以实际物理核数为准
2. if cid_task < m_num * n_num尾块守卫（tile 数不整除 core_num 时避免越界）

4.2 Swizzle

原理

T.use_swizzle重映射 tile 到 core 的分配顺序，让相邻核访问不同的 A/B 区域，减少 L2 cache 冲突。

# 简单映射：相邻核访问同一块 A，L2 cache 冲突 核0 → tile(0,0) 核1 → tile(0,1) → 都访问 A[0:128] # Swizzle 映射（off=3）：相邻核访问不同 A 区域 核0 → tile(0,0) 核1 → tile(1,1) → 访问 A[0:128] 和 A[128:256]

实验结果（Expert 模式，劣化不采用）

整体表现：Step 4 (Fixed Core + Swizzle) 平均 0.99x，比 Step 3 (Fixed Core) 的 1.01x 还差-1.8%。

逐 case 分析：

劣化原因分析：

1. 小矩阵（tile 数 ≤ 32）：Swizzle 打乱了原本紧凑的 tile 调度，增加 cache miss
2. 大矩阵（tile 数 > 500）：计算时间主导，Swizzle 的 cache 优化收益被淹没
3. 中等矩阵（tile 数 100~500）：收益不稳定，依赖具体 shape

正向 case 特征：tile 数适中（18~32）、计算时间较短（< 20us）、L2 cache 冲突是主要瓶颈

各模式适用性

使用建议

结论：Swizzle 不是万能的，需要根据具体算子和 shape 实验验证。如果实验发现劣化，就不采用。

5. 硬件约束速查（Ascend 910B）

内存层级容量

分形限制（最小 tile 维度）

对齐要求

6. Tiling 参数说明

L0 层参数（MMA 计算单元）

• block_M: 输出 tile 的 M 维度大小
• block_N: 输出 tile 的 N 维度大小
• block_K: L1→L0 一次搬运的 K 维度大小（MMA 粒度）

L1 层参数（共享缓存）

• K_L1: GM→L1 一次搬运的 K 维度大小（搬运粒度）

参数关系

容量数值详见 §5 硬件约束速查。

L0 层约束（block_M, block_N, block_K 互相制约）： L0C: block_M × block_N × sizeof(accum) ≤ 128KB L0A: block_M × block_K × sizeof(dtype) ≤ 64KB L0B: block_K × block_N × sizeof(dtype) ≤ 64KB L1 层约束（K_L1 独立选择）： L1: (block_M × K_L1 + K_L1 × block_N) × sizeof(dtype) ≤ 512KB K_L1 应该是 block_K 的倍数

7. 通用公式

本节使用的 L0C/L0A/L0B 容量参数详见 §5 硬件约束速查。

给定 dtype 和 accum_dtype，快速计算最优 tiling

def compute_optimal_tiling(dtype_size, accum_size, L0C_capacity=128*1024, L0AB_capacity=64*1024, use_double_buffer=False): """ 计算最优 tiling 参数。 约束联立： L0C: block_M × block_N × accum_size ≤ L0C_capacity （尽量打满） L0A: block_M × block_K × dtype_size × buf ≤ L0AB_capacity L0B: block_K × block_N × dtype_size × buf ≤ L0AB_capacity Args: dtype_size: 输入数据类型大小（字节），如 fp16=2, int8=1 accum_size: 累加器数据类型大小（字节），如 fp32=4 L0C_capacity: L0C 容量（字节），默认 128KB L0AB_capacity: L0A/L0B 容量（字节），默认 64KB use_double_buffer: 是否使用双缓冲 Returns: (block_M, block_N, block_K, K_L1) 注：block_K 对应 Developer 模式 gemm_v0 内部的 kL0Size； Developer 模式无前端 block_K，需在 common.h 中调整 kL0Size 与之对应。 """ FRACTAL = 16 # 分形对齐（fp16 M/N/K ≥ 16 且为 16 倍数），向下取整不会爆容量 # Step 1: 从 L0C 约束推导 block_M, block_N，尽量打满 L0C max_l0c_elems = L0C_capacity // accum_size # fp32: 128K/4 = 32768 # 采用 M:N = 1:2（GEMM 常用；打满 L0C 同时不撑爆 L0A）：2·block_M² ≤ max_l0c_elems block_M = int((max_l0c_elems / 2) ** 0.5) block_M = max(FRACTAL, (block_M // FRACTAL) * FRACTAL) # 对齐 → 128 block_N = min(2 * block_M, max_l0c_elems // block_M) block_N = max(FRACTAL, (block_N // FRACTAL) * FRACTAL) # 对齐 → 256 # Step 2: 从 L0A/L0B 约束推导 block_K（受 block_M、block_N 双向约束） buffer_multiplier = 2 if use_double_buffer else 1 max_block_K_from_L0A = L0AB_capacity // (block_M * dtype_size * buffer_multiplier) max_block_K_from_L0B = L0AB_capacity // (block_N * dtype_size * buffer_multiplier) block_K = min(max_block_K_from_L0A, max_block_K_from_L0B) block_K = max(FRACTAL, (block_K // FRACTAL) * FRACTAL) # 对齐 # Step 3: 选 K_L1（block_K 的倍数） K_L1 = block_K * 2 return block_M, block_N, block_K, K_L1 # 示例：fp16 + fp32 累加 # 单缓冲 bm, bn, bk, kl1 = compute_optimal_tiling(2, 4, use_double_buffer=False) print(f"单缓冲: block_M={bm}, block_N={bn}, block_K={bk}, K_L1={kl1}") # 输出：单缓冲: block_M=128, block_N=256, block_K=128, K_L1=256 # 双缓冲 bm, bn, bk, kl1 = compute_optimal_tiling(2, 4, use_double_buffer=True) print(f"双缓冲: block_M={bm}, block_N={bn}, block_K={bk}, K_L1={kl1}") # 输出：双缓冲: block_M=128, block_N=256, block_K=64, K_L1=128

【免费下载链接】cannbot-skillsCANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体，本仓库为其提供可复用的 Skills 模块。项目地址: https://gitcode.com/cann/cannbot-skills