CANN ops-math 算子调用实战快速体验、aclnn API 与 GE 图模式全解析【免费下载链接】ops-math本项目是CANN提供的数学类基础计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-math本文围绕 CANN ops-math 算子库的官方调用指南系统讲解在 NPU 环境下调用内置算子与自定义算子的完整方案既可以通过项目自带build.sh一行命令快速体验算子样例也可以自行搭建 CMake 调用工程将算子以 PyTorch API、aclnn C API 或 GE 图模式集成进实际业务。读完本文你将掌握三种调用方式的选型原则、完整编译运行步骤以及底层两段式接口与图构建原理可直接上手验证abs、add_example等算子。使用须知调用前提调用算子前请先参考本项目 README 完成环境准备和源码下载这里不再赘述。环境准备的核心要求如下已安装 CANN-toolkit 包运行时依赖libascendcl.so、libnnopbase.so、libopapi_math.so等动态库均来自该包已编译好对应的算子包自定义算子包或 ops-math 整包已获取与本项目版本配套的分支源码通用下载命令为git clone -b ${tag_version} https://gitcode.com/cann/ops-math.git${tag_version}替换为分支标签名具体对应关系参见 README。调用范围支持调用的内置算子清单参见算子列表。该清单以表格形式列出了每个算子的分类、目录、算子实现op_kernel/op_host、调用支持情况op_api 对应 aclnn 调用、op_graph 对应图模式调用以及算子执行硬件单元AI Core 或 AI CPU。此外还支持调用自定义算子例如 experimental 贡献目录下由开发者贡献的算子。提示部分算子存在多个 V 版本如 pad_v2、pad_v3使用时选择最高 V 版本即可高版本算子已兼容低版本算子的所有能力详见 算子列表 的使用说明。调用场景选型请根据实际场景诉求选择合适的算子调用方案官方提供两套场景调用场景场景说明特点快速调用算子适用于快速体验和验证算子功能的场景。无需搭建调用工程基于源码编译包和项目脚本build.sh可直接调用算子样例。业务应用集成算子适用于将算子灵活集成到实际业务应用中。需自行搭建调用工程手动创建调用脚本/CMake 工程灵活实现算子编译和运行。调用方式选型当前主要提供如下算子调用方式请按需选择调用方式说明PyTorch API将算子 Kernel 注册到 PyTorch 原生框架以类似于 Torch 原生 API 方式实现算子调用。aclnn API针对算子提供相应的 C 语言 API前缀为 aclnn无需提供 IR 定义实现 API 直接调用算子。GE 图模式通过算子 IRIntermediate Representation定义以构图方式实现算子调用。其中 aclnn API 对应的全量接口清单参见 aclnn 列表GE 图模式依赖算子 op_graph 目录下的 IR 定义如 add_example_proto.h。快速调用算子如需快速体验或验证项目中已有算子功能可参考本章最简调用方法通过build.sh执行算子样例。该方法的优点是无需搭建调用工程即无需手动创建编译/运行脚本简单易操作适合快速验证算子功能正确性。说明对于 Ascend 950PR 产品可通过 Simulator 仿真工具执行算子样例详见仿真指导。步骤1环境准备在调用算子前请先确保您的环境已安装 CANN-toolkit 包和编译好的算子包。步骤2执行项目中已有算子的样例build.sh支持三种算子包形态命令格式与参数略有差异分别介绍如下。基于自定义算子包执行算子样例自定义算子包cust 模式适用于调用experimental等自定义/贡献算子命令如下bash build.sh --run_example ${op} ${mode} ${pkg_mode} [--vendor_name${vendor_name}] [--soc${soc_version}] [--experimental] # 以Abs算子example执行为例 # bash build.sh --run_example abs eager cust --vendor_namecustom # 以Abs算子experimental执行为例 # bash build.sh --experimental --run_example abs eager cust --vendor_namecustom参数说明${op}表示待执行算子算子名小写下划线形式如abs${mode}表示调用方式目前支持eageraclnn 调用、graph图模式调用${pkg_mode}表示包模式目前仅支持cust即自定义算子包${vendor_name}可选与构建的自定义算子包设置一致默认名为custom${soc_version}可选表示 NPU 型号${experimental}可选表示执行用户保存在 experimental 贡献目录下的算子。说明${mode}为graph时不指定${pkg_mode}和${vendor_name}。基于 ops-math 包执行算子样例对于仓库内置的标准算子如 math/abs直接基于 ops-math 整包执行即可命令如下bash build.sh --run_example ${op} ${mode} [--soc${soc_version}] # 以Abs算子example执行为例 # bash build.sh --run_example abs eager参数说明${op}表示待执行算子算子名小写下划线形式如abs${mode}表示算子执行模式目前支持eageraclnn 调用、graph图模式调用${soc_version}可选表示 NPU 型号。基于 ops-math 静态库执行算子样例当环境无法加载动态库、需要将算子链接进独立可执行程序时可使用静态库方式共三步1. 前提条件ops-math 静态库依赖于 ops-legacy 静态库将上述静态库准备好解压并将所有lib64、include目录移动至统一目录${static_lib_path}下。说明ops-legacy 静态库cann-${soc_name}-ops-legacy-static_${cann_version}_linux-${arch}.tar.gz可通过 CANN 发布渠道获取如 Ascend 官方软件下载站ops-math 静态库暂未提供软件包请通过本地编译生成build.sh支持--static相关选项构建静态库参见 scripts/build_lib.sh。2. 创建 run.sh在待执行算子examples/test_aclnn_${op_name}.cpp同级目录下创建run.sh文件。以 Abs 算子执行test_aclnn_abs.cpp为例示例如下# 静态库文件路径 static_lib_path # 环境变量生效 if [ -n $ASCEND_INSTALL_PATH ]; then _ASCEND_INSTALL_PATH$ASCEND_INSTALL_PATH elif [ -n $ASCEND_HOME_PATH ]; then _ASCEND_INSTALL_PATH$ASCEND_HOME_PATH else _ASCEND_INSTALL_PATH/usr/local/Ascend/cann fi source ${_ASCEND_INSTALL_PATH}/bin/setenv.bash # 编译可执行文件 g test_aclnn_abs.cpp \ -I ${static_lib_path}/include \ -L ${static_lib_path}/lib64 \ -I ${_ASCEND_INSTALL_PATH}/include \ -I ${_ASCEND_INSTALL_PATH}/include/aclnnop \ -L ${_ASCEND_INSTALL_PATH}/lib64 \ -Wl,--allow-multiple-definition \ -Wl,--start-group -lcann_math_static -lcann_legacy_static -Wl,--end-group -lgraph -lgraph_base \ -lpthread -lmmpa -lmetadef -lascendalog -lregister -lopp_registry -lops_base -lascendcl -ltiling_api -lplatform \ -ldl -lc_sec -lnnopbase -lruntime -lerror_manager -lunified_dlog \ -o test_aclnn_abs # 替换为实际算子可执行文件名 # 执行程序 ./test_aclnn_abs脚本关键点说明${static_lib_path}表示静态库统一放置路径${ASCEND_INSTALL_PATH}已通过环境变量配置表示 CANN toolkit 包安装路径最终可执行文件名请替换为实际算子可执行文件名-lcann_math_static、-lcann_legacy_static表示算子依赖的静态库文件从静态库统一放置路径${static_lib_path}中获取-lgraph、-lmetadef等表示算子依赖的底层库文件可在 CANN toolkit 包获取-Wl,--allow-multiple-definition用于允许符号重定义--start-group/--end-group用于解决静态库之间的循环依赖。3. 执行 run.shbash run.sh步骤3检查执行结果算子样例执行后会打印结果以 Abs 算子结果为例abs result[0] is: 1.000000 abs result[1] is: 1.000000 abs result[2] is: 1.000000 abs result[3] is: 2.000000 abs result[4] is: 2.000000 abs result[5] is: 2.000000 abs result[6] is: 3.000000 abs result[7] is: 3.000000result[i]即输入张量第i个元素取绝对值后的结果可与 math/abs/README.md 中描述的算子功能对照验证。build.sh 快速调用的底层实现从源码看--run_example功能由 scripts/build_example.sh 中的build_example()实现它接收主脚本 build.sh 解析出的EXAMPLE_NAME、EXAMPLE_MODE参数逻辑如下根据${mode}决定样例文件匹配模式与可执行文件名eager对应test_aclnn_*.cpp、可执行文件test_aclnn_${EXAMPLE_NAME}graph对应test_geir_*.cpp、可执行文件test_geir_${EXAMPLE_NAME}在项目根目录或--experimental指定的 experimental 目录下按${EXAMPLE_NAME}/examples/*路径查找样例源码即每个算子的调用样例统一存放在其目录的examples子目录下eager 模式编译时根据包模式选择链接方式默认模式链接-lopapi_math内置算子库cust 模式则通过ASCEND_CUSTOM_OPP_PATH或${ASCEND_HOME_PATH}/opp/vendors/${VENDOR}_math/op_api定位自定义算子包并链接-lcust_opapi当--socascend950时查找路径会额外包含${EXAMPLE_NAME}/examples/arch35/架构目录并在指定--soc时通过get_simulator_chip_version()映射到仿真芯片版本如ascend950→dav_3510、ascend910b→dav_2201进而链接 Simulator 仿真库libruntime_camodel.so与libnpu_drv_camodel.so这也是 Ascend 950PR 可通过 Simulator 执行样例的实现基础。业务应用集成算子如需将算子集成到实际业务应用中可参考本章自行搭建调用工程。通过自定义调用脚本/CMake 工程等实现算子编译和运行。该方法的优点是手动搭建调用工程场景灵活度高可移植性强。不同调用方式对应的编译工程不同当前支持 PyTorch API、aclnn API、GE 图模式三种调用方式请按需选择。PyTorch API该方式将算子 Kernel 注册到 PyTorch 原生框架使其可以像原生 Torch API 一样被直接调用。具体调用原理和过程请参考 examples/fast_kernel_launch_example。从仓库结构看examples/fast_kernel_launch_example 提供了算子快速内核启动的完整示例工程包含.asc内核源码、.cmake构建配置与 Python 调用脚本展示了通过 torch 扩展将 CANN 算子桥接到 PyTorch 前端的完整链路。此外仓库中算子目录的op_api子目录如 math/abs/op_api即为算子对外暴露的 aclnn 与 torch 接口封装实现。aclnn API调用流程为方便调用算子Host 侧提供算子对应的 C 语言 API即以 aclnn 为前缀的 API实现算子调用无需提供算子 IRIntermediate Representation定义。aclnn API 调用流程如下整个调用链为调用方业务应用/框架→ aclnn 接口GetWorkspaceSize 两段式→ 算子库opapi→ 底层 runtime 驱动 → NPU 执行。aclnn 接口的返回类型为aclnnStatus常用返回码含义可参考 aclnn 返回码说明。两段式接口原理所有 aclnn 单算子 API 均遵循两段式接口形态详见 两段式接口aclnnStatus aclxxXxxGetWorkspaceSize(const aclTensor *src, ..., aclTensor *out, ..., uint64_t *workspaceSize, aclOpExecutor **executor); aclnnStatus aclxxXxx(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream);第一段接口aclnnXxxGetWorkspaceSize计算本次 API 调用过程中需要多少 workspace 临时内存并返回workspaceSize与executor拿到workspaceSize后调用方需按此大小通过aclrtMalloc申请 NPU 内存第二段接口aclnnXxx真正下发计算任务。注意第二段接口不能重复调用重复调用会出现异常需重新走第一段接口获取 executor。workspace 是指除输入/输出外算子在 NPU 上完成计算所需要的临时内存workspaceSize表示临时内存的大小。编译运行注意操作过程中如遇到日志提示设置环境变量请按提示操作。1. 环境准备在编译运行前请先确保您的环境已安装 CANN-toolkit 包和编译好的算子包。2. 创建调用脚本在环境任意目录下新建调用 cpp 脚本命名自定义例如${test_aclnn_op_name}.cpp。为方便理解以AddExample算子为例调用脚本如下仅供参考全量代码参见 test_aclnn_add_example.cpp。int main() { // 1.调用acl进行device/stream初始化 int32_t deviceId 0; aclrtStream stream; auto ret Init(deviceId, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(Init acl failed. ERROR: %d\n, ret); return ret); // 2.构造输入与输出需要根据API的接口自定义构造 aclTensor* selfX nullptr; void* selfXDeviceAddr nullptr; std::vectorint64_t selfXShape {32, 4, 4, 4}; std::vectorfloat selfXHostData(2048, 1); ret CreateAclTensor(selfXHostData, selfXShape, selfXDeviceAddr, aclDataType::ACL_FLOAT, selfX); CHECK_RET(ret ACL_SUCCESS, return ret); aclTensor* selfY nullptr; void* selfYDeviceAddr nullptr; std::vectorint64_t selfYShape {32, 4, 4, 4}; std::vectorfloat selfYHostData(2048, 1); ret CreateAclTensor(selfYHostData, selfYShape, selfYDeviceAddr, aclDataType::ACL_FLOAT, selfY); CHECK_RET(ret ACL_SUCCESS, return ret); aclTensor* out nullptr; void* outDeviceAddr nullptr; std::vectorint64_t outShape {32, 4, 4, 4}; std::vectorfloat outHostData(2048, 1); ret CreateAclTensor(outHostData, outShape, outDeviceAddr, aclDataType::ACL_FLOAT, out); CHECK_RET(ret ACL_SUCCESS, return ret); // 3.调用CANN算子库API需要修改为具体的API名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 4.调用aclnnAddExample第一段接口 ret aclnnAddExampleGetWorkspaceSize(selfX, selfY, out, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnAddExampleGetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void* workspaceAddr nullptr; if (workspaceSize static_castuint64_t(0)) { ret aclrtMalloc(workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(allocate workspace failed. ERROR: %d\n, ret); return ret); } // 5.调用aclnnAddExample第二段接口 ret aclnnAddExample(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnAddExample failed. ERROR: %d\n, ret); return ret); // 6.固定写法同步等待任务执行结束 ret aclrtSynchronizeStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSynchronizeStream failed. ERROR: %d\n, ret); return ret); // 7.获取输出的值将device侧内存上的结果拷贝至host侧需要根据具体API的接口定义修改 PrintOutResult(outShape, outDeviceAddr); // 8.释放aclTensor需要根据具体API的接口定义修改 aclDestroyTensor(selfX); aclDestroyTensor(selfY); aclDestroyTensor(out); // 9.释放device资源 aclrtFree(selfXDeviceAddr); aclrtFree(selfYDeviceAddr); aclrtFree(outDeviceAddr); if (workspaceSize static_castuint64_t(0)) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); // 10. acl去初始化 aclFinalize(); return 0; }上述脚本是 aclnn 调用的标准骨架可归纳为十个步骤acl 初始化 → 构造aclTensor输入输出 → 调用两段式接口GetWorkspaceSize 执行接口→ 同步等待 → 回拷结果 → 释放 tensor 与 device 资源 → acl 去初始化。从 test_aclnn_add_example.cpp 源码可以看到CreateAclTensor内部依次完成aclrtMalloc申请 device 内存、aclrtMemcpy将 host 数据拷入 device、根据 shape 计算连续 strides、最后调用aclCreateTensor创建张量描述Init则完成aclInit、aclrtSetDevice、aclrtCreateStream三步初始化。3. 创建 CMakeLists.txt 文件在${test_aclnn_op_name}.cpp同级目录下创建CMakeLists.txt文件。需注意的是调用自定义算子如 experimental 目录和标准项目算子内置算子时编译脚本有差异示例如下仅供参考请根据实际情况自行修改。调用自定义算子依赖自定义算子包cmake_minimum_required(VERSION 3.14) # 设置工程名 project(ACLNN_EXAMPLE) # 设置C编译标准 add_compile_options(-stdc11) # 设置编译输出目录为当前目录下的bin文件夹 set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ./bin) # 设置调试和发布模式的编译选项 set(CMAKE_CXX_FLAGS_DEBUG -fPIC -O0 -g -Wall) set(CMAKE_CXX_FLAGS_RELEASE -fPIC -O2 -Wall) # 添加可执行文件自定义替换为实际调用算子的*.cpp文件 add_executable(${test_aclnn_op_name} ${test_aclnn_op_name}.cpp) # ASCEND_PATH如遇CANN包路径有误请根据实际路径修改 if(NOT $ENV{ASCEND_HOME_PATH} STREQUAL ) set(ASCEND_PATH $ENV{ASCEND_HOME_PATH}) else() set(ASCEND_PATH /usr/local/Ascend/cann) endif() # 获取自定义算子包名称存在多个自定义算子包时只会使用其中一个 set(VENDORS_DIR ${ASCEND_PATH}/opp/vendors) file(GLOB CUSTOM_DIRS ${VENDORS_DIR}/*) foreach(CUSTOM_DIR ${CUSTOM_DIRS}) if(IS_DIRECTORY ${CUSTOM_DIR}) set(TARGET_SUBDIR ${CUSTOM_DIR}) endif() endforeach() if(NOT DEFINED TARGET_SUBDIR) message(FATAL_ERROR 在路径${ASCEND_PATH}中未找到自定义算子包) endif() # 设置头文件路径 set(INCLUDE_BASE_DIR ${ASCEND_PATH}/include) include_directories( ${INCLUDE_BASE_DIR} ${TARGET_SUBDIR}/op_api/include ) include_directories( ${INCLUDE_BASE_DIR} ) # 链接所需的动态库自定义替换为实际算子可执行文件 target_link_libraries(${test_aclnn_op_name} PRIVATE ${ASCEND_PATH}/lib64/libascendcl.so ${ASCEND_PATH}/lib64/libnnopbase.so ${TARGET_SUBDIR}/op_api/lib/libcust_opapi.so # 链接自定义算子库文件 ) target_link_options(${test_aclnn_op_name} PRIVATE -Wl,-rpath,${TARGET_SUBDIR}/op_api/lib ) # 安装目标文件到bin目录自定义替换为实际算子可执行文件 install(TARGETS ${test_aclnn_op_name} DESTINATION ${CMAKE_RUNTIME_OUTPUT_DIRECTORY})调用标准算子内置算子依赖 ops-math 整包cmake_minimum_required(VERSION 3.14) # 设置工程名 project(ACLNN_EXAMPLE) # 设置C编译标准 add_compile_options(-stdc11) # 设置编译输出目录为当前目录下的bin文件夹 set(CMAKE_RUNTIME_OUTPUT_DIRECTORY ./bin) # 设置调试和发布模式的编译选项 set(CMAKE_CXX_FLAGS_DEBUG -fPIC -O0 -g -Wall) set(CMAKE_CXX_FLAGS_RELEASE -fPIC -O2 -Wall) # 添加可执行文件自定义替换为实际调用算子的*.cpp文件 add_executable(${test_aclnn_op_name} ${test_aclnn_op_name}.cpp) # ASCEND_PATH如遇CANN包路径有误请根据实际路径修改 if(NOT $ENV{ASCEND_HOME_PATH} STREQUAL ) set(ASCEND_PATH $ENV{ASCEND_HOME_PATH}) else() set(ASCEND_PATH /usr/local/Ascend/cann) endif() # 设置头文件路径 set(INCLUDE_BASE_DIR ${ASCEND_PATH}/include) include_directories( ${INCLUDE_BASE_DIR} ${ASCEND_PATH}/include/aclnnop ) # 链接所需的动态库自定义替换为实际算子可执行文件 target_link_libraries(${test_aclnn_op_name} PRIVATE ${ASCEND_PATH}/lib64/libascendcl.so ${ASCEND_PATH}/lib64/libnnopbase.so ${ASCEND_PATH}/lib64/libopapi_math.so # 链接内置算子库文件 ) # 安装目标文件到bin目录自定义替换为实际算子可执行文件 install(TARGETS ${test_aclnn_op_name} DESTINATION ${CMAKE_RUNTIME_OUTPUT_DIRECTORY})两种 CMake 工程的核心差异在于库的链接目标自定义算子包链接${TARGET_SUBDIR}/op_api/lib/libcust_opapi.so并从opp/vendors下按目录扫描定位自定义算子包存在多个包时只取其一内置算子则直接链接${ASCEND_PATH}/lib64/libopapi_math.so且需把头文件目录${ASCEND_PATH}/include/aclnnop加入 include 路径以获取 aclnn 接口声明。此外请留意 aclnn 接口的返回码判读aclnnStatus各类返回码说明见 aclnn 返回码说明。4. 创建 run.sh 文件在${test_aclnn_op_name}.cpp同级目录下创建run.sh文件以AddExample算子为例示例如下请根据实际情况自行修改。if [ -n $ASCEND_INSTALL_PATH ]; then # 实际CANN包安装路径 _ASCEND_INSTALL_PATH$ASCEND_INSTALL_PATH elif [ -n $ASCEND_HOME_PATH ]; then _ASCEND_INSTALL_PATH$ASCEND_HOME_PATH else _ASCEND_INSTALL_PATH/usr/local/Ascend/cann fi source ${_ASCEND_INSTALL_PATH}/bin/setenv.bash rm -rf build mkdir -p build cd build cmake ../ -DCMAKE_CXX_COMPILERg -DCMAKE_SKIP_RPATHTRUE # 执行构建命令 make cd bin ./${test_aclnn_op_name} # 替换为实际算子可执行文件名5. 运行 run.sh 文件在 run.sh 文件所在路径执行如下命令bash run.sh默认在当前执行路径/build/bin下生成可执行文件${test_aclnn_op_name}。运行结果以test_aclnn_add_example为例Print the first 10 groups of data: add_example first input[0] is: 1.000000, second input[0] is: -257.000000, result[0] is: -256.000000 add_example first input[1] is: 2.000000, second input[1] is: 608.000000, result[1] is: 610.000000 ...以上为当前样例使用固定随机数种子42时的示例输出result[i]为first input[i]与second input[i]逐元素相加的结果对应 AddExample 算子说明 中的计算公式y x1 x2x1、x2 支持 FLOAT、INT32 类型仅支持 4 维 ND 格式输入输出。从样例源码可见first input通过std::iota从 1.0 递增填充second input通过std::mt19937以种子 42 生成[-1024, 1024]范围内的随机整数因此输出具有确定性可用于回归验证。GE 图模式调用流程该方式基于算子 GE IRIntermediate Representation定义以构图方式调用算子调用流程如下与 aclnn 直调不同GE 图模式需要先在 Host 侧构建计算图Graph通过GEInitialize初始化图引擎再经Session将图下发给 GE 编译器完成算子编译与执行。算子自身的 IR 定义即 op_graph 目录下的 proto 定义如 add_example_proto.h为构图提供了算子原型信息。编译运行注意操作过程中如遇到日志提示设置环境变量请按提示操作。1. 环境准备在编译运行前请先确保您的环境已安装 CANN-toolkit 包和编译好的算子包。2. 创建调用脚本在目标算子examples目录下新建调用脚本test_geir_${op_name}.cpp${op_name}表示目标算子名。以AddExample算子为例调用脚本如下仅供参考全量代码参见 test_geir_add_example.cpp。int main() { // 1.创建图对象 Graph graph(graphName); // 2.图全局编译选项初始化 Status ret ge::GEInitialize(globalOptions); // 3.创建AddExample算子实例 auto add1 op::AddExample(add1); // 4.定义图输入输出向量 std::vectorOperator inputs{}; std::vectorOperator outputs{}; // 5.准备输入数据 std::vectorint64_t xShape {32,4,4,4}; // 宏展开方式处理变量赋值 ADD_INPUT(1, x1, inDtype, xShape); ADD_INPUT(2, x2, inDtype, xShape); ADD_OUTPUT(1, y, inDtype, xShape); outputs.push_back(add1); // 6.设置图对象的输入算子和输出算子 graph.SetInputs(inputs).SetOutputs(outputs); // 7.创建session对象 ge::Session* session new Session(buildOptions); // 8. session添加图 ret session-AddGraph(graphId, graph, graphOptions); // 9.运行图 ret session-RunGraph(graphId, input, output); // 10.释放资源 GEFinalize(); return 0; }从 test_geir_add_example.cpp 源码可以看到构图细节全局编译选项global_options示例为{{ge.exec.deviceId, 0}, {ge.graphRunMode, 1}}其中ge.graphRunMode1表示在线推理运行模式ADD_INPUT宏内部创建op::Data占位算子设置TensorDescND 格式、指定 dtype、kPlacementHost调用GenOnesData生成全 2 输入数据并通过graph.AddOp将占位算子加入图、add1.set_input_x1(...)建立输入连接ADD_OUTPUT宏通过add1.update_output_desc_y(...)声明输出张量描述图运行结束后脚本会将输入输出 tensor 落盘为tc_ge_irrun_test_0008_npu_input_*.bin/npu_output_*.bin文件便于离线比对数据并调用aclgrphDumpGraph将图结构 dump 到./dump目录通过GEGetErrorMsgV2()/GEGetWarningMsgV2()获取图引擎的错误与告警信息辅助定位问题。3. 创建 CMakeLists.txt 文件在test_geir_${op_name}.cpp同级目录下创建CMakeLists.txt文件以AddExample算子为例示例如下请根据实际情况自行修改。cmake_minimum_required(VERSION 3.14) # 设置工程名 project(GE_IR_EXAMPLE) if(NOT $ENV{ASCEND_OPP_PATH} STREQUAL ) get_filename_component(ASCEND_PATH $ENV{ASCEND_OPP_PATH} DIRECTORY) elseif(NOT $ENV{ASCEND_HOME_PATH} STREQUAL ) set(ASCEND_PATH $ENV{ASCEND_HOME_PATH}) else() set(ASCEND_PATH /usr/local/Ascend/cann) endif() set(FWK_INCLUDE_DIR ${ASCEND_PATH}/compiler/include) message(STATUS ASCEND_PATH: ${ASCEND_PATH}) file(GLOB files CONFIGURE_DEPENDS test_geir_add_example.cpp ) # 添加可执行文件请替换为实际算子可执行文件 add_executable(test_geir_add_example ${files}) find_library(GRAPH_LIBRARY_DIR libgraph.so ${ASCEND_PATH}/compiler/lib64/stub) find_library(GE_RUNNER_LIBRARY_DIR libge_runner.so ${ASCEND_PATH}/compiler/lib64/stub) find_library(GRAPH_BASE_LIBRARY_DIR libgraph_base.so ${ASCEND_PATH}/compiler/lib64) find_library(GE_COMPILER_LIBRARY_DIR libge_compiler.so ${ASCEND_PATH}/compiler/lib64) # 链接所需的动态库 target_link_libraries(test_geir_add_example PRIVATE ${GRAPH_LIBRARY_DIR} ${GE_RUNNER_LIBRARY_DIR} ${GRAPH_BASE_LIBRARY_DIR} ${GE_COMPILER_LIBRARY_DIR} ) # 设置头文件路径 target_include_directories(test_geir_add_example PRIVATE ${FWK_INCLUDE_DIR}/graph/ ${FWK_INCLUDE_DIR}/ge/ ${ASCEND_PATH}/opp/built-in/op_proto/inc/ ${CMAKE_CURRENT_SOURCE_DIR} ${ASCEND_PATH}/compiler/include )与 aclnn 工程的关键差异在于GE 图模式的编译产物位于 CANN 的compiler组件中需要链接libgraph.so、libge_runner.so、libgraph_base.so、libge_compiler.so四类图引擎库其中前两者从compiler/lib64/stub下查找并将compiler/include/graph、compiler/include/ge及opp/built-in/op_proto/inc算子原型头文件加入 include 路径ASCEND_PATH优先由ASCEND_OPP_PATH环境变量推导取其父目录。4. 创建 run.sh 脚本在test_geir_${op_name}.cpp同级目录下创建run.sh文件以AddExample算子为例示例如下请根据实际情况自行修改。if [ -n $ASCEND_INSTALL_PATH ]; then # 实际CANN包安装路径 _ASCEND_INSTALL_PATH$ASCEND_INSTALL_PATH elif [ -n $ASCEND_HOME_PATH ]; then _ASCEND_INSTALL_PATH$ASCEND_HOME_PATH else _ASCEND_INSTALL_PATH/usr/local/Ascend/cann fi source ${_ASCEND_INSTALL_PATH}/bin/setenv.bash rm -rf build mkdir -p build cd build cmake ../ -DCMAKE_CXX_COMPILERg -DCMAKE_SKIP_RPATHTRUE # 执行构建命令 make ./test_geir_add_example # 替换为实际算子可执行文件名5. 运行 run.sh 脚本在 run.sh 文件所在路径执行如下命令bash run.sh默认在当前执行路径/build/bin下生成可执行文件test_geir_add_example运行结果如下INFO - [XIR]: Finalize ir graph session success该日志表示图会话ir graph session成功结束说明构图、图编译、图运行全链路执行成功。运行过程中还会输出Initialize ge ... success、Add ir compute graph to ir session success、Run ir compute graph success等阶段日志便于分步确认构图各环节状态。小结本文完整覆盖了 CANN ops-math 算子的两条调用主线快速调用借助build.sh --run_example一行命令无需搭建工程即可体验任意算子样例支持自定义算子包cust、ops-math 整包与静态库三种包形态底层由 scripts/build_example.sh 自动完成样例查找、编译与运行Ascend 950PR 场景还可切换 Simulator 仿真执行业务集成通过 PyTorch API、aclnn API、GE 图模式三种方式将算子集成到实际业务其中 aclnn 两段式接口GetWorkspaceSize 执行接口与 GE 构图GraphSession是核心编程模型本文给出的 CMakeLists 与 run.sh 均可直接套用到任意算子替换算子名与接口名即可。后续如需进一步了解算子开发与调试可继续阅读开发指南与调试调优指南并结合各算子目录下的 README 示例 进行实操验证。【免费下载链接】ops-math本项目是CANN提供的数学类基础计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-math创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考