华为采用机器翻译与人工审校相结合的方式将此文档翻译成不同语言，希望能帮助您更容易理解此文档的内容。 请注意：即使是最好的机器翻译，其准确度也不及专业翻译人员的水平。 华为对于翻译的准确性不承担任何责任，并建议您参考英文文档（已提供链接）。
入门示例
使用TBE DSL进行算子开发，开发者只需要关注算子本身计算逻辑，无需关注调度策略，开发方式简单便捷。
目标
本节以add算子为例带您快速熟悉一个TBE DSL算子的编写流程。
Add算子实现了两个数据相加，返回相加结果的功能，如下所示：
图6-2 Add算子功能示例
![]()
算子分析
使用TBE DSL方式开发Add算子前，我们需要确定算子功能、输入、输出，算子开发方式、算子类型以及算子实现函数名称等。
- 明确算子的功能以及数学表达式。
add算子的数学表达式为：
z=x+y
计算过程是：将两个输入参数相加，得到最终结果z并将其返回。
- 明确输入和输出。
- add算子有两个输入：x与y，输出为z。
- 本样例中算子的输入支持的数据类型为float16、float32、 int32，算子输出的数据类型与输入数据类型相同。
- 算子输入支持所有shape，输出shape与输入shape相同。
- 算子输入支持的format为：NCHW,NC1HWC0,NHWC,ND。
- 确定算子开发方式及使用的计算接口。
- 计算过程只涉及加法操作，查看TBE DSL API，初分析可使用te.lang.cce.vadd(lhs, rhs)接口实现x+y。
- 由于te.lang.cce.vadd(lhs, rhs)接口要求两个输入tensor的shape需要相同，所以需要首先获取两个输入tensor中较大的shape值，然后调用te.lang.cce.broadcast(var, shape, output_dtype=None)接口将入参广播成指定的shape大小。
- 明确算子实现文件名称、算子实现函数名称以及算子的类型（OpType）。
- 算子类型需要采用大驼峰的命名方式，即采用大写字符区分不同的语义。
- 算子文件名称和算子函数名称，可选用以下任意一种命名规则：
- 用户自定义，此时需要在算子信息定义中配置opFile.value与opInterface.value。
- 不配置算子信息定义中的opFile.value与opInterface.value，FE会将OpType按照如下方式进行转换后进行算子文件名和算子函数名的匹配。转换规则如下：
- 首字符的大写字符转换为小写字符。
例如：Abc -> abc
- 小写字符后的大写字符转换为下划线+小写字符。
例如：AbcDef -> abc_def
- 紧跟数字以及大写字符后的大写字符，作为同一语义字符串，查找此字符串后的第一个小写字符，并将此小写字符的前一个大写字符转换为下划线+小写字符，其余大写字符转换为小写字符。若此字符串后不存在小写字符，则直接将此字符串中的大写字符转换为小写字符。
例如：ABCDef -> abc_def；Abc2DEf -> abc2d_ef；Abc2DEF -> abc2def；ABC2dEF -> abc2d_ef。
- 首字符的大写字符转换为小写字符。
因此本例中，算子类型定义为Add；算子的实现文件名称及实现函数名称定义为add。
通过以上分析，得到Add算子的设计规格如下：
表6-1 Add算子设计规格算子类型（OpType）
Add
算子输入
name：x
shape：all
data type：
float16、float32、 int32
format：
NCHW,NC1HWC0,
NHWC,ND
name：y
shape：all
data type：
float16、float32、 int32
format：
NCHW,NC1HWC0,
NHWC,ND
算子输出
name：z
shape：all
data type：
float16、float32、 int32
format：
NCHW,NC1HWC0,
NHWC,ND
算子实现使用主要DSL接口
te.lang.cce.broadcast(var, shape, output_dtype=None)
te.lang.cce.vadd(lhs, rhs)
算子实现文件/实现函数名称
add
算子代码实现
Add算子仅支持float16, float32, int32三种数据类型，所以需要对算子的输入数据进行校验；由于Add算子允许两个输入数据的shape不同，但算子计算接口te.lang.cce.vadd( )要求两输入shape相同，因此需要对算子两个输入的shape进行广播并对其进行校验，算子实现代码示例如下所示：
SHAPE_SIZE_LIMIT = 2147483648
# 比较两个输入的每个维度的大小，取每个维度的大值，生成out_shape
def _produce_shapes(shape1, shape2):
shape1 = list(shape1)
shape2 = list(shape2)
flag = 0
if len(shape1) < len(shape2):
shape1, shape2 = shape2, shape1
flag = 1
output_shape_len = len(shape1)
dec = output_shape_len - len(shape2)
for i in range(dec):
shape2 = [1] + shape2
out_shape = []
for i in range(output_shape_len):
if (shape1[i] != shape2[i]) and (shape1[i] != 1) and (shape2[i] != 1):
raise RuntimeError("input shapes not match!")
out_shape.append(shape1[i] if shape1[i] > shape2[i] else shape2[i])
if flag == 1:
shape1, shape2 = shape2, shape1
return shape1, shape2, out_shape
# 将shape转换为list
def _shape_to_list(shape):
result = []
for i in shape:
if isinstance(i, tvm.expr.Var):
result.append(i)
else:
result.append(i.value)
return result
# 实现Add算子的计算逻辑
@fusion_manager.register("add")
def add_compute(input_x, input_y, output_z, kernel_name="add"):
shape_x = _shape_to_list(input_x.shape)
shape_y = _shape_to_list(input_y.shape)
shape_x, shape_y, shape_max = _produce_shapes(shape_x, shape_y) # shape_max取shape_x与shape_y的每个维度的大值
shape_size = reduce(lambda x, y: x * y, shape_max[:])
if shape_size > SHAPE_SIZE_LIMIT:
raise RuntimeError("the shape is too large to calculate")
input_x = te.lang.cce.broadcast(input_x, shape_max) # 将input_x的shape广播为shape_max
input_y = te.lang.cce.broadcast(input_y, shape_max) # 将input_y的shape广播为shape_max
res = te.lang.cce.vadd(input_x, input_y) # 执行input_x + input_y
return res # 返回计算结果的tensor
# 算子定义函数
def add(input_x, input_y, output_z, kernel_name="add"):
# 获取算子输入tensor的shape与dtype
shape_x = input_x.get("shape")
shape_y = input_y.get("shape")
check_tuple = ("float16", "float32", "int32")
input_data_type = input_x.get("dtype").lower()
if input_data_type not in check_tuple:
raise RuntimeError("only support %s while dtype is %s" %
(",".join(check_tuple), input_data_type))
# shape_max取shape_x与shape_y的每个维度的最大值
shape_x, shape_y, shape_max = _produce_shapes(shape_x, shape_y)
if shape_x[-1] == 1 and shape_y[-1] == 1 and shape_max[-1] == 1:
# 如果shape的长度等于1，就直接赋值，如果shape的长度不等于1，做切片，将最后一个维度舍弃（按照内存排布，最后一个维度为1与没有最后一个维度的数据排布相同，例如2*3=2*3*1，将最后一个为1的维度舍弃，可提升后续的调度效率）。
shape_x = shape_x if len(shape_x) == 1 else shape_x[:-1]
shape_y = shape_y if len(shape_y) == 1 else shape_y[:-1]
shape_max = shape_max if len(shape_max) == 1 else shape_max[:-1]
# 使用TVM的placeholder接口对第一个输入tensor进行占位，返回一个tensor对象
data_x = tvm.placeholder(shape_x, name="data_1", dtype=input_data_type)
# 使用TVM的placeholder接口对第二个输入tensor进行占位，返回一个tensor对象
data_y = tvm.placeholder(shape_y, name="data_2", dtype=input_data_type)
# 调用compute实现函数
res = add_compute(data_x, data_y, output_z, kernel_name)
# 自动调度
with tvm.target.cce():
schedule = generic.auto_schedule(res)
# 编译配置
config = {"name": kernel_name,
"tensor_list": (data_x, data_y, res)}
te.lang.cce.cce_build_code(schedule, config)
