一、Acosh 算子概述

Acosh（反双曲余弦）算子位于ops-math开源仓，是数值计算与 AI 框架中常用的元素级数学算子，核心功能是对输入张量的每个元素执行反双曲余弦运算，其数学表达式为：yi=cosh−1(xi)=ln⁡(x+x2−1)y_{i}=cosh^{-1}(x_{i}) = \ln(x + \sqrt{x^2 - 1})yi​=cosh−1(xi​)=ln(x+x2−1 ​)（其中 x≥1x \geq 1x≥1）。该算子广泛应用于机器学习、科学计算等领域，尤其在 Ascend 910芯片下，针对不同数据类型和硬件特性做了深度优化，以兼顾计算精度与执行效率。

二、CANN 平台下 Acosh 算子的产品支持与核心特性

1. 产品支持范围

Acosh 算子的硬件适配具有明确的边界，支持Ascend 910系列，这与不同硬件架构的指令集、算力分配策略密切相关。

2. 数据类型与格式约束

  • 输入类型：支持 INT8、INT16、INT32、INT64、UINT8、BOOL、FLOAT、BFLOAT16、FLOAT16、DOUBLE，其中整型 / 布尔型输入会先转换为 FLOAT32 运算，输出为 FLOAT32；
  • 输出类型：FLOAT、BFLOAT16、FLOAT16、DOUBLE，保证浮点运算的精度需求；
  • 数据格式：支持 ND（多维）格式，且兼容非连续 Tensor（维度不超过 8），输入与输出的 shape 需严格一致。

3. 调用方式

支持aclnn接口调用，接口名为aclnnAcosh

三、Acosh 算子的底层实现逻辑

1. 核心设计思路

Ascend 910系列芯片下的 Acosh 算子通过模板类KernelAcosh实现，核心模板参数包括：

  • T：数据类型（half/float/bfloat16_t）；
  • BUFFER\_MODE：缓冲模式（0 = 单缓冲，1 = 双缓冲）。

针对不同数据类型的特性，算子设计了差异化的计算路径：

  • FLOAT32 路径：直接调用 Ascend C 原生Acosh原语，无溢出风险；
  • FLOAT16/BFLOAT16 路径：因原生原语存在溢出问题（如 FLOAT16 大值 65504 计算x2x^2x2时溢出），采用 “类型转换回退策略”：Cast\(fp16/bf16→fp32\) → Acosh\(fp32\) → Cast\(fp32→fp16/bf16\)，其中 fp32 转 bf16 用CAST\_RINT（就近取整），转 fp16 用CAST\_ROUND（四舍五入），平衡精度与性能。

2. 核心执行流程

KernelAcosh类通过Init-Process-CopyIn/Compute/CopyOut三级流程完成计算：

  1. 初始化（Init）：确定当前核处理的元素数量、UB（Unified Buffer）单次处理量，初始化全局张量（GM）、输入 / 输出队列、中转缓冲（仅 fp16/bf16 需要）；
  2. 数据拷贝（CopyIn/CopyOut）：通过DataCopyPad完成 GM 与 UB 之间的数据传输，保证数据对齐；
  3. 计算（Compute）：根据数据类型选择计算路径，完成反双曲余弦运算后将结果写入输出队列；
  4. 流程调度（Process）：按 UB 切分粒度循环执行 “拷贝 - 计算 - 输出”，处理尾部余量（最后一次循环可能处理少于 UB 因子的元素）。

3. Tiling（切分）策略

Tiling 是多核并行的核心，acosh\_tiling\.cpp实现了精细化的切分逻辑：

  • 多核切分：将总元素数均分到各 AI Core，尾部核处理余量；

  • UB 切分：根据 UB 大小、缓冲模式、数据类型计算ubFactor（单次 UB 处理元素数）：

    • FLOAT32：单缓冲占用 2 个 UB 缓冲区，双缓冲占用 4 个；
    • FLOAT16/BFLOAT16：因需 fp32 中转，单缓冲占用 3 个 UB 缓冲区，双缓冲占用 6 个；

  • 缓冲模式选择：总元素数 > 1024 时启用双缓冲，减少数据传输等待，提升并行效率。

四、性能优化关键点

1. 缓冲策略优化

双缓冲模式通过 “预取数据 + 并行计算” 隐藏数据拷贝延迟，尤其在大张量计算时，相比单缓冲可显著提升吞吐量。

2. UB 资源高效利用

通过FloorAlign对齐 UB 块大小，避免 UB 空间浪费；针对不同数据类型的字节数（fp32=4B，fp16/bf16=2B）差异化计算ubFactor，最大化利用硬件资源。

3. 多核负载均衡

按CeilDiv\(totalNum, coreNum\)均分元素数，保证各 AI Core 负载接近，避免 “核闲不均” 问题。

五、应用场景与注意事项

1. 典型应用场景

  • 机器学习：非线性变换、特征归一化（如处理大于 1 的连续特征）；
  • 科学计算：信号处理、几何计算中的反双曲函数求解；
  • 深度学习：激活函数变种、梯度计算中的数值变换。

2. 开发与部署注意事项

  • 硬件适配：仅在 Ascend 950PR/950DT 上验证通过，需确认产品型号；
  • 数据范围：输入需满足x≥1x \geq 1x≥1，否则会因对数函数定义域问题返回无效值；
  • 精度控制：FLOAT16/BFLOAT16 场景需关注类型转换的精度损失，敏感场景建议使用 FLOAT32；
  • 性能调优：大张量（元素数>1024）启用双缓冲，小张量用单缓冲减少开销。

六、总结

Acosh 算子作为基础数学算子，在 Ascend 平台下的实现充分结合了硬件架构特性：通过差异化计算路径解决数据溢出问题，通过 Tiling 切分和缓冲策略提升并行效率，通过灵活的调用接口适配不同开发场景。理解其底层实现逻辑与优化策略，有助于开发者在 AI 推理 / 训练中合理使用该算子，兼顾计算精度、性能与硬件适配性。

# 人工智能
Logo
鲲鹏昇腾开发者社区是面向全社会开放的“联接全球计算开发者，聚合华为+生态”的社区，内容涵盖鲲鹏、昇腾资源，帮助开发者快速获取所需的知识、经验、软件、工具、算力，支撑开发者易学、好用、成功，成为核心开发者。

鲲鹏昇腾开发者社区是面向全社会开放的“联接全球计算开发者，聚合华为+生态”的社区，内容涵盖鲲鹏、昇腾资源，帮助开发者快速获取所需的知识、经验、软件、工具、算力，支撑开发者易学、好用、成功，成为核心开发者。

更多推荐

【CANN】Addcdiv算子：原理、底层实现与应用解析

Addcdiv是昇腾CANN架构下的元素级组合数学算子，集成除法、标量乘法、张量加法三类基础运算，一站式完成张量复合计算，是深度学习训练、参数更新、特征变换场景中的核心基础算子。算子核心逻辑为逐元素完成“两张量相除、乘系数、加偏置张量”的复合运算，有效减少多算子串联带来的内存读写开销与调度耗时，提升模型整体计算效率。

avatar 鲲鹏昇腾开发者社区

【CANN】Addcmul算子：原理、底层实现与应用解析

摘要：Addcmul是昇腾CANN架构下的高性能复合数学算子，集成乘法、缩放和加法运算，可替代多算子串联组合。该算子支持float32/float16/int32/bfloat16数据类型，适配Atlas A2训练产品，采用双模板类设计、自适应多核切分和分层精度处理架构。通过复合算子融合、全类型适配、内存优化和双模式支持等核心优化，显著提升计算效率，解决精度不稳定问题。该算子完善了CANN基础算子

avatar 鲲鹏昇腾开发者社区

【CANN】AI Core架构原理与Ascend C核函数开发详解

AI Core是NPU的核心计算单元，采用"计算+存储+搬运"模块化架构，包含标量、向量、矩阵三类计算单元，分层存储体系和DMA数据搬运单元。其通过异步指令流、同步信号流和计算数据流实现高效并行计算。Ascend C编程体系提供标准化核函数开发规范，支持多核并行执行和模板化开发，既保留硬件性能优势又降低开发门槛。开发者通过定义限定符修饰的核函数，配置执行参数即可实现高性能算子开发，无需深入硬件细节

avatar 鲲鹏昇腾开发者社区