登录社区云，与社区用户共同成长
邀请您加入社区
## 什么是tiled_mma。store_atom_shape是KUPL用于扩展store_atom_ops的Shape尺寸，其是一个二维尺寸，分别表示M/N存储形状上扩展的大小，基于该方式可以扩展store_atom_ops原子方法存储的形状从而实现能力的扩展。mma_atom_shape是KUPL用于扩展mma_atom_ops的Shape尺寸，其是一个三维尺寸，分别表示M/N/K计算方向上
更多 UCG 算法细节可参考其 代码仓库 ，具体接口算法位于 src/planc/ucx/ 目录下（如 allreduce.c 包含 MPI_Allreduce 的算法实现）。
鲲鹏计算平台矩阵乘算子SGEMM优化实践分为上下两篇，记录了在鲲鹏计算平台上，从最朴素的三重循环矩阵乘法出发，经过 6 个阶段逐步优化，最终实现 30+倍性能提升 的完整过程。所有代码基于 C 语言 + ARM intrinsics，矩阵存储采用列主序 (Column-Major)，编译器使用华为毕昇编译器 (BiSheng)。本文为下篇，续写SGEMM优化实践内容，上篇请参考 鲲鹏计算平台矩阵乘
3: load B[k] 一次 i=1: load B[k], load A[1,k] load A[0,k], A[1,k], A[2,k], A[3,k] i=2: load B[k], load A[2,k] B 只加载 1 次，被 4 次乘法复用 i=3: load B[k], load A[3,k]
CANN自定义GEMM算子（Ascend C手写高性能矩阵乘法）
矩阵乘法（GEMM, General Matrix Multiply）是深度学习中最核心、最频繁的计算操作，从全连接层到注意力机制，再到卷积运算，都可以转化为矩阵乘法。CANN开源生态中的 **CATLASS**（Compute Accelerator Templates for Large-Scale Matrix）是一个基于Ascend C构建的高性能矩阵乘法模板库，它将复杂的矩阵乘法及其融合
本文通过位图运算和动态规划两个案例，揭示了Ascend C在通用高性能计算领域的巨大潜力。昇腾AI处理器不应被仅仅视为一个AI加速器，而应被视为一个强大的。
深入Ascend C：使用双缓冲与向量化优化矩阵乘法（GEMM）算子开发
矩阵乘法（Matmul）是深度学习的核心算子，广泛应用于卷积神经网络（CNN）、Transformer、循环神经网络（RNN）等模型中，例如：Ascend C 矩阵算子开发需充分利用 AI Core 的 Cube 计算单元（专门用于矩阵运算加速），结合 Tiling 技术、Double Buffer 优化、指令优化等手段，实现高性能计算。矩阵乘法的数学公式为：若矩阵 A 为维度，矩阵 B 为维度，
昇腾CANN推出CATLASS算子模板库，通过分层模块化设计优化GEMM类算子开发。该库将计算过程分解为Device、Kernel等5个层次，提供数据分块、计算单元配置等模块化组件，使开发效率提升50%以上。文章详细介绍了环境配置方法，并通过Transformer小批量矩阵乘法案例展示优化效果：批量32时性能提升2.05倍，且保持100%正确性。CATLASS显著降低了高性能算子开发门槛，特别适合
全闪存存储凭借其超高性能、低延迟和高可靠性，正在多个行业关键场景中取代传统存储。比如影视全流程制作、 金融高频交易系统、 医疗影像诊断、自动驾驶研发、 工业设计与仿真、云游戏与实时渲染、科学计算与HPC。
Ansatz是变分量子算法的重要组成成分，通过对ansatz量子线路进行优化学习，我们可以解决量子机器学习场景中的分类问题、量子化学模拟的基态能量求解问题等。在新版本中，我们为大家提供了新的19个ansatz，请扫码查看所有的ansatz。含噪量子模拟在研究量子算法的鲁棒性和研究误差缓解算法时十分重要。基于现有版本中的各种量子信道，新版本提供强大的信道管理工具，可根据实际情况生成噪声模型，并最终完
