当前位置： 首页 > news >正文

CANN/SiP三维FFT接口文档

news 2026/5/10 5:38:32

FFT_3D

【免费下载链接】sip本项目是CANN提供的一款高效、可靠的高性能信号处理算子加速库，基于华为Ascend AI处理器，专门为信号处理领域而设计。项目地址: https://gitcode.com/cann/sip

产品支持情况

产品是否支持
Atlas 200I/500 A2 推理产品×
Atlas 推理系列产品×
Atlas 训练系列产品×
Atlas A3 训练系列产品/Atlas A3 推理系列产品√
Atlas A2 训练系列产品/Atlas A2 推理系列产品√
Ascend 950PR/Ascend 950DT×

功能说明

  • 接口功能：
    asdFftMakePlan3D：初始化三维FFT配置。
    asdFftExecC2C：执行复数到复数的FFT变换。
    asdFftExecC2R：执行复数到实数的FFT变换。
    asdFftExecR2C：执行实数到复数的FFT变换。
    asdFftExecC2CSeparated：执行复数到复数的FFT变换，支持实部、虚部分开输入和输出。

  • 计算公式：
    设有一个三维离散信号：

    它的三维离散傅里叶变换定义为：

    其中：

函数原型

AspbStatus asdFftMakePlan3D( asdFftHandle handle, int64_t fftSizeX, int64_t fftSizeY, int64_t fftSizeZ, asdFftType fftType, asdFftDirection direction, int32_t batchSize)
AspbStatus asdFftExecC2C( asdFftHandle handle, const aclTensor * input, const aclTensor * output)
AspbStatus asdFftExecC2R( asdFftHandle handle, const aclTensor * input, const aclTensor * output)
AspbStatus asdFftExecR2C( asdFftHandle handle, const aclTensor * input, const aclTensor * output)
AspbStatus asdFftExecC2CSeparated( asdFftHandle handle, const aclTensor * inputReal, const aclTensor * inputImag, const aclTensor * outputReal, const aclTensor * outputImag)

asdFftMakePlan3D

  • 参数说明：

    参数名输入/输出描述
    handle（asdFftHandle）输入算子的句柄，需要手动申请创建asdFftHandle对象。
    fftSizeX（int64_t）输入对应公式中的'M'，FFT信号长度（第一维）。
    fftSizeY（int64_t）输入对应公式中的'N'，FFT信号长度（第二维）。
    fftSizeZ（int64_t）输入对应公式中的'N'，FFT信号长度（第三维）。
    fftType（asdFftType）输入FFT变换类型
    • ASCEND_FFT_C2C：复数到复数的快速傅里叶变换。
    • ASCEND_FFT_C2R：复数到实数的快速傅里叶变换。
    • ASCEND_FFT_R2C：实数到复数的快速傅里叶变换。
    • ASCEND_FFT_C2C_SEP：复数到复数的分离式快速傅里叶变换。
    direction（asdFftDirection）输入选择FFT执行正向变换或反向变换
    • ASCEND_FFT_FORWARD：正向快速傅里叶变换。
    • ASCEND_FFT_INVERSE：逆向快速傅里叶变换。
    batchSize（int32_t）输入FFT变换批处理操作中的数据批次数量。

  • 返回值：

    返回状态码，具体参见SiP返回码。

asdFftExecC2C

  • 参数说明：

    参数名输入/输出描述
    handle（asdFftHandle）输入算子的句柄，需要手动申请创建asdFftHandle对象。
    inData（ aclTensor *）输入
    • 对应公式中的'x'。
    • 数据类型支持COMPLEX64。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSizeX，fftSizeY，fftSizeZ）。
    outData（aclTensor *）输出
    • 对应公式中的'y'。
    • 数据类型支持COMPLEX64。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSizeX，fftSizeY，fftSizeZ）。

  • 返回值：

    返回状态码，具体参见SiP返回码。

asdFftExecC2R

  • 参数说明：

    参数名输入/输出描述
    handle（asdFftHandle）输入算子的句柄，需要手动申请创建asdFftHandle对象。
    inData（ aclTensor *）输入
    • 对应公式中的'x'。
    • 数据类型支持COMPLEX64。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSizeX，fftSizeY，fftSizeZ/2+1）。
    outData（aclTensor *）输出
    • 对应公式中的'y'。
    • 数据类型支持FLOAT32。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSizeX，fftSizeY，fftSizeZ）。

  • 返回值：

    返回状态码，具体参见SiP返回码。

asdFftExecR2C

  • 参数说明：

    参数名输入/输出描述
    handle（asdFftHandle）输入算子的句柄，需要手动申请创建asdFftHandle对象。
    inData（ aclTensor *）输入
    • 对应公式中的'x'。
    • 数据类型支持FLOAT32。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSizeX，fftSizeY，fftSizeZ）。
    outData（aclTensor *）输出
    • 对应公式中的'y'。
    • 数据类型支持COMPLEX64。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSizeX，fftSizeY，fftSizeZ/2+1）。

  • 返回值：

    返回状态码，具体参见SiP返回码。

asdFftExecC2CSeparated

  • 参数说明：

    参数名输入/输出描述
    handle（asdFftHandle）输入算子的句柄，需要手动申请创建asdFftHandle对象。
    inputReal（ aclTensor *）输入
    • 公式中的'x'的实部。
    • 数据类型支持FLOAT32。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSize）。
    inputImag（aclTensor *）输入
    • 公式中的'x'的虚部。
    • 数据类型支持FLOAT32。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSize）。
    outputReal（aclTensor *）输出
    • 公式中的'y'的实部。
    • 数据类型支持FLOAT32。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSize）。
    outputImag（aclTensor *）输出
    • 公式中的'y'的虚部。
    • 数据类型支持FLOAT32。
    • 数据格式支持ND。
    • 输入的shape为（batchSize，fftSize）。

  • 返回值：

    返回状态码，具体参见SiP返回码。

约束说明

  • asdFftMakePlan3D
    • fftSizeX、fftSizeY、fftSizeZ需保证不超过$2^{27}$且分解质因数后不包含超过199的质因子。
    • batchSize在存储允许范围内应无额外约束。
    • 输入的元素个数理论支持[1，$2^{30}$]。
    • 输入的元素不支持inf、-inf和nan，如果输入中包含这些值, 那么结果为未定义。
  • asdFftExecC2CSeparated 信号长度范围[2, 256]。

调用示例

示例代码如下，该样例旨在提供快速上手、开发和调试算子的最小化实现，其核心目标是使用最精简的代码展示算子的核心功能，而非提供生产级的安全保障。不推荐用户直接将示例代码作为业务代码，若用户将示例代码应用在自身的真实业务场景中且发生了安全问题，则需用户自行承担。

  • C2C_3D
#include <iostream> #include <vector> #include "asdsip.h" #include "acl/acl.h" #include "aclnn/acl_meta.h" using namespace AsdSip; #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) #define ASD_STATUS_CHECK(err) \ do { \ AsdSip::AspbStatus err_ = (err); \ if (err_ != AsdSip::ErrorType::ACL_SUCCESS) { \ std::cout << "Execute failed." << std::endl; \ exit(-1); \ } \ } while (0) int64_t GetShapeSize(const std::vector<int64_t> &shape) { int64_t shapeSize = 1; for (auto i : shape) { shapeSize *= i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream *stream) { // 固定写法，AscendCL初始化 auto ret = aclInit(nullptr); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret); ret = aclrtSetDevice(deviceId); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret); ret = aclrtCreateStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret); return 0; } template <typename T> int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr, aclDataType dataType, aclTensor **tensor) { auto size = GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret); // 调用aclrtMemcpy将host侧数据复制到device侧内存上 ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret); // 计算连续tensor的strides std::vector<int64_t> strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { 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); // 创造tensor的Host侧数据 int batch = 1, Nfft1 = 256, Nfft2 = 64, Nfft3 = 64; const int64_t tensorInSize = batch * Nfft1 * Nfft2 * Nfft3; std::vector<int64_t> selfShape = {batch, Nfft1, Nfft2, Nfft3}; std::vector<int64_t> outShape = {batch, Nfft1, Nfft2, Nfft3}; std::vector<std::complex<float>> inputHostData(tensorInSize, std::complex<float>(0, 0)); for (int i = 0; i < tensorInSize; i++) { inputHostData[i] = std::complex<float>(i, i + 1); } std::vector<std::complex<float>> outHostData(tensorInSize, std::complex<float>(0, 0)); void *inputDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *input = nullptr; aclTensor *out = nullptr; ret = CreateAclTensor(inputHostData, selfShape, &inputDeviceAddr, aclDataType::ACL_COMPLEX64, &input); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_COMPLEX64, &out); CHECK_RET(ret == ::ACL_SUCCESS, return ret); asdFftHandle handle; asdFftCreate(handle); asdFftMakePlan3D(handle, Nfft1, Nfft2, Nfft3, asdFftType::ASCEND_FFT_C2C, asdFftDirection::ASCEND_FFT_FORWARD, batch); size_t work_size; asdFftGetWorkspaceSize(handle, work_size); void *workspaceAddr = nullptr; if (work_size > 0) { ret = aclrtMalloc(&workspaceAddr, static_cast<int64_t>(work_size), ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret); } asdFftSetWorkspace(handle, (uint8_t *)workspaceAddr); asdFftSetStream(handle, stream); ASD_STATUS_CHECK(asdFftExecC2C(handle, input, out)); ret = aclrtSynchronizeStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret); asdFftDestroy(handle); auto size = GetShapeSize(outShape); std::vector<std::complex<float>> outData(size, 0); ret = aclrtMemcpy(outData.data(), outData.size() * sizeof(outData[0]), outDeviceAddr, size * sizeof(outData[0]), ACL_MEMCPY_DEVICE_TO_HOST); // 打印输出tensor值中前16个 for (int64_t i = 0; i < std::min(static_cast<int64_t>(16), tensorInSize); i++) { std::cout << static_cast<std::complex<float>>(outData[i]) << "\t"; } std::cout << "\nend result" << std::endl; std::cout << "Execute successfully." << std::endl; aclDestroyTensor(input); aclDestroyTensor(out); aclrtFree(inputDeviceAddr); aclrtFree(outDeviceAddr); if (work_size > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }
  • C2R_3D
#include <iostream> #include <vector> #include "asdsip.h" #include "acl/acl.h" #include "aclnn/acl_meta.h" using namespace AsdSip; #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) #define ASD_STATUS_CHECK(err) \ do { \ AsdSip::AspbStatus err_ = (err); \ if (err_ != AsdSip::ErrorType::ACL_SUCCESS) { \ std::cout << "Execute failed." << std::endl; \ exit(-1); \ } \ } while (0) int64_t GetShapeSize(const std::vector<int64_t> &shape) { int64_t shapeSize = 1; for (auto i : shape) { shapeSize *= i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream *stream) { // 固定写法，AscendCL初始化 auto ret = aclInit(nullptr); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret); ret = aclrtSetDevice(deviceId); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret); ret = aclrtCreateStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret); return 0; } template <typename T> int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr, aclDataType dataType, aclTensor **tensor) { auto size = GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret); // 调用aclrtMemcpy将host侧数据复制到device侧内存上 ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret); // 计算连续tensor的strides std::vector<int64_t> strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { 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); // 创造tensor的Host侧数据 int batch = 2, Nfft1 = 2, Nfft2 = 128, Nfft3 = 128; const int64_t inSignal = Nfft3 / 2 + 1; const int64_t outSignal = Nfft3; const int64_t tensorInSize = batch * Nfft1 * Nfft2 * inSignal; const int64_t tensorOutSize = batch * Nfft1 * Nfft2 * outSignal; std::vector<int64_t> selfShape = {batch, Nfft1, Nfft2, inSignal}; std::vector<int64_t> outShape = {batch, Nfft1, Nfft2, outSignal}; std::vector<std::complex<float>> inputHostData(tensorInSize, std::complex<float>(0, 0)); for (int i = 0; i < tensorInSize; i++) { inputHostData[i] = std::complex<float>(i, i + 1); } std::vector<float> outHostData(tensorOutSize, 0); void *inputDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *input = nullptr; aclTensor *out = nullptr; ret = CreateAclTensor(inputHostData, selfShape, &inputDeviceAddr, aclDataType::ACL_COMPLEX64, &input); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out); CHECK_RET(ret == ::ACL_SUCCESS, return ret); asdFftHandle handle; asdFftCreate(handle); asdFftMakePlan3D(handle, Nfft1, Nfft2, Nfft3, asdFftType::ASCEND_FFT_C2R, asdFftDirection::ASCEND_FFT_FORWARD, batch); size_t work_size; asdFftGetWorkspaceSize(handle, work_size); void *workspaceAddr = nullptr; if (work_size > 0) { ret = aclrtMalloc(&workspaceAddr, static_cast<int64_t>(work_size), ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret); } asdFftSetWorkspace(handle, (uint8_t *)workspaceAddr); asdFftSetStream(handle, stream); ASD_STATUS_CHECK(asdFftExecC2R(handle, input, out)); ret = aclrtSynchronizeStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret); asdFftDestroy(handle); auto size = GetShapeSize(outShape); std::vector<float> outData(size, 0); ret = aclrtMemcpy(outData.data(), outData.size() * sizeof(outData[0]), outDeviceAddr, size * sizeof(outData[0]), ACL_MEMCPY_DEVICE_TO_HOST); // 打印输出tensor值中前16个 for (int64_t i = 0; i < std::min(static_cast<int64_t>(16), tensorOutSize); i++) { std::cout << static_cast<float>(outData[i]) << "\t"; } std::cout << "\nend result" << std::endl; std::cout << "Execute successfully." << std::endl; aclDestroyTensor(input); aclDestroyTensor(out); aclrtFree(inputDeviceAddr); aclrtFree(outDeviceAddr); if (work_size > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }
  • R2C_2D
#include <iostream> #include <vector> #include "asdsip.h" #include "acl/acl.h" #include "aclnn/acl_meta.h" using namespace AsdSip; #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) #define ASD_STATUS_CHECK(err) \ do { \ AsdSip::AspbStatus err_ = (err); \ if (err_ != AsdSip::ErrorType::ACL_SUCCESS) { \ std::cout << "Execute failed." << std::endl; \ exit(-1); \ } \ } while (0) int64_t GetShapeSize(const std::vector<int64_t> &shape) { int64_t shapeSize = 1; for (auto i : shape) { shapeSize *= i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream *stream) { // 固定写法，AscendCL初始化 auto ret = aclInit(nullptr); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret); ret = aclrtSetDevice(deviceId); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret); ret = aclrtCreateStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret); return 0; } template <typename T> int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr, aclDataType dataType, aclTensor **tensor) { auto size = GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret); // 调用aclrtMemcpy将host侧数据复制到device侧内存上 ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret); // 计算连续tensor的strides std::vector<int64_t> strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { 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); // 创造tensor的Host侧数据 int batch = 1, Nfft1 = 1, Nfft2 = 64, Nfft3 = 32; const int64_t tensorInSize = batch * Nfft1 * Nfft2 * Nfft3; const int64_t tensorOutSize = batch * Nfft1 * Nfft2 * (Nfft3 / 2 + 1); std::vector<int64_t> selfShape = {batch, Nfft1, Nfft2, Nfft3}; std::vector<int64_t> outShape = {batch, Nfft1, Nfft2, Nfft3 / 2 + 1}; std::vector<float> inputHostData(tensorInSize, 0); for (int i = 0; i < tensorInSize; i++) { inputHostData[i] = i; } std::vector<std::complex<float>> outHostData(tensorInSize, std::complex<float>(0, 0)); void *inputDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *input = nullptr; aclTensor *out = nullptr; ret = CreateAclTensor(inputHostData, selfShape, &inputDeviceAddr, aclDataType::ACL_FLOAT, &input); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_COMPLEX64, &out); CHECK_RET(ret == ::ACL_SUCCESS, return ret); asdFftHandle handle; asdFftCreate(handle); asdFftMakePlan3D(handle, Nfft1, Nfft2, Nfft3, asdFftType::ASCEND_FFT_R2C, asdFftDirection::ASCEND_FFT_FORWARD, batch); size_t work_size; asdFftGetWorkspaceSize(handle, work_size); void *workspaceAddr = nullptr; if (work_size > 0) { ret = aclrtMalloc(&workspaceAddr, static_cast<int64_t>(work_size), ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret); } asdFftSetWorkspace(handle, (uint8_t *)workspaceAddr); asdFftSetStream(handle, stream); ASD_STATUS_CHECK(asdFftExecR2C(handle, input, out)); ret = aclrtSynchronizeStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret); asdFftDestroy(handle); auto size = GetShapeSize(outShape); std::vector<std::complex<float>> outData(size, 0); ret = aclrtMemcpy(outData.data(), outData.size() * sizeof(outData[0]), outDeviceAddr, size * sizeof(outData[0]), ACL_MEMCPY_DEVICE_TO_HOST); // 打印输出tensor值中前16个 for (int64_t i = 0; i < std::min(static_cast<int64_t>(16), tensorOutSize); i++) { std::cout << static_cast<std::complex<float>>(outData[i]) << "\t"; } std::cout << "\nend result" << std::endl; std::cout << "Execute successfully." << std::endl; aclDestroyTensor(input); aclDestroyTensor(out); aclrtFree(inputDeviceAddr); aclrtFree(outDeviceAddr); if (work_size > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }
  • C2C_3D_SEP
#include <iostream> #include <fstream> #include <random> #include <vector> #include "asdsip.h" #include "acl/acl.h" #include "aclnn/acl_meta.h" using namespace AsdSip; #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) #define ASD_STATUS_CHECK(err) \ do { \ AsdSip::AspbStatus err_ = (err); \ if (err_ != AsdSip::ErrorType::ACL_SUCCESS) { \ std::cout << "Execute failed." << std::endl; \ exit(-1); \ } \ } while (0) int64_t GetShapeSize(const std::vector<int64_t> &shape) { int64_t shapeSize = 1; for (auto i : shape) { shapeSize *= i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream *stream) { // 固定写法，AscendCL初始化 auto ret = aclInit(nullptr); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret); ret = aclrtSetDevice(deviceId); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret); ret = aclrtCreateStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret); return 0; } template <typename T> int CreateAclTensor(const std::vector<T> &hostData, const std::vector<int64_t> &shape, void **deviceAddr, aclDataType dataType, aclTensor **tensor) { auto size = GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret); // 调用aclrtMemcpy将host侧数据复制到device侧内存上 ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret); // 计算连续tensor的strides std::vector<int64_t> strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { 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); // 创造tensor的Host侧数据 // int batch = 2, Nfft1 = 256, Nfft2 = 256, Nfft3 = 256; // core dd int batch = 2, Nfft1 = 4, Nfft2 = 4, Nfft3 = 4; // core dd // int batch = 32, Nfft = 256; // c2c dft // int batch = 32, Nfft = 8192; // c2c fftb // int batch = 32, Nfft = 15000; // c2c mixed // int batch = 32, Nfft = 32768; // c2c fftn // int batch = 32, Nfft = 199 * 199; // core any const int64_t tensorInSize = batch * Nfft1 * Nfft2 * Nfft3; std::vector<int64_t> selfShape = {batch, Nfft1, Nfft2, Nfft3}; std::vector<int64_t> outShape = {batch, Nfft1, Nfft2, Nfft3}; std::vector<float> inputRealHostData(tensorInSize, 0); std::vector<float> inputImagHostData(tensorInSize, 0); std::vector<float> outputRealHostData(tensorInSize, 0); std::vector<float> outputImagHostData(tensorInSize, 0); std::random_device rd; std::mt19937 gen(rd()); std::uniform_real_distribution<float> dis(0.0f, 1.0f); for (int i = 0; i < tensorInSize; i++) { inputRealHostData[i] = dis(gen); inputImagHostData[i] = dis(gen); } void *inputRealDeviceAddr = nullptr; void *inputImagDeviceAddr = nullptr; void *outputRealDeviceAddr = nullptr; void *outputImagDeviceAddr = nullptr; aclTensor *inputReal = nullptr; aclTensor *inputImag = nullptr; aclTensor *outputReal = nullptr; aclTensor *outputImag = nullptr; ret = CreateAclTensor(inputRealHostData, selfShape, &inputRealDeviceAddr, aclDataType::ACL_FLOAT, &inputReal); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(inputImagHostData, selfShape, &inputImagDeviceAddr, aclDataType::ACL_FLOAT, &inputImag); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(outputRealHostData, outShape, &outputRealDeviceAddr, aclDataType::ACL_FLOAT, &outputReal); CHECK_RET(ret == ::ACL_SUCCESS, return ret); ret = CreateAclTensor(outputImagHostData, outShape, &outputImagDeviceAddr, aclDataType::ACL_FLOAT, &outputImag); CHECK_RET(ret == ::ACL_SUCCESS, return ret); asdFftHandle handle; asdFftCreate(handle); asdFftMakePlan3D(handle, Nfft1, Nfft2, Nfft3, asdFftType::ASCEND_FFT_C2C_SEP, asdFftDirection::ASCEND_FFT_FORWARD, batch); size_t work_size; asdFftGetWorkspaceSize(handle, work_size); void *workspaceAddr = nullptr; if (work_size > 0) { ret = aclrtMalloc(&workspaceAddr, static_cast<int64_t>(work_size), ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret); } asdFftSetWorkspace(handle, (uint8_t *)workspaceAddr); asdFftSetStream(handle, stream); ASD_STATUS_CHECK(asdFftExecC2CSeparated(handle, inputReal, inputImag, outputReal, outputImag)); ret = aclrtSynchronizeStream(stream); CHECK_RET(ret == ::ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret); asdFftDestroy(handle); auto size = GetShapeSize(outShape); std::vector<float> outRealData(size, 0); std::vector<float> outImagData(size, 0); std::vector<float> workspaceData(size * 2, -1); ret = aclrtMemcpy(outRealData.data(), outRealData.size() * sizeof(outRealData[0]), outputRealDeviceAddr, size * sizeof(outRealData[0]), ACL_MEMCPY_DEVICE_TO_HOST); ret = aclrtMemcpy(outImagData.data(), outImagData.size() * sizeof(outImagData[0]), outputImagDeviceAddr, size * sizeof(outImagData[0]), ACL_MEMCPY_DEVICE_TO_HOST); ret = aclrtMemcpy(workspaceData.data(), workspaceData.size() * sizeof(workspaceData[0]), workspaceAddr, workspaceData.size() * sizeof(workspaceData[0]), ACL_MEMCPY_DEVICE_TO_HOST); // 打印输出tensor值中前16个 std::cout << "real part:" << std::endl; for (int64_t i = 0; i < size; i++) { std::cout << static_cast<float>(outRealData[i]) << "\t"; } std::cout << "\nimag part:" << std::endl; for (int64_t i = 0; i < size; i++) { std::cout << static_cast<float>(outImagData[i]) << "\t"; } std::cout << "\nworkspace real part:" << std::endl; for (int64_t i = 0; i < size; i++) { std::cout << static_cast<float>(workspaceData[i]) << "\t"; } std::cout << "\nworkspace imag part:" << std::endl; for (int64_t i = 0; i < size; i++) { std::cout << static_cast<float>(workspaceData[i + size]) << "\t"; } std::cout << "\nend result" << std::endl; std::cout << "Execute successfully." << std::endl; aclDestroyTensor(inputReal); aclDestroyTensor(inputImag); aclDestroyTensor(outputReal); aclDestroyTensor(outputImag); aclrtFree(inputRealDeviceAddr); aclrtFree(inputImagDeviceAddr); aclrtFree(outputRealDeviceAddr); aclrtFree(outputImagDeviceAddr); if (work_size > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }

【免费下载链接】sip本项目是CANN提供的一款高效、可靠的高性能信号处理算子加速库，基于华为Ascend AI处理器，专门为信号处理领域而设计。项目地址: https://gitcode.com/cann/sip

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

http://www.jsqmd.com/news/787541/

相关文章：

  • 网盘直链解析技术深度剖析：构建跨平台文件获取架构的实战指南
  • 基于MCP协议的AI智能体实时金融数据工具箱Tickerr详解
  • 解锁AI潜能：系统提示词设计模式与实战应用指南
  • 大模型智能路由引擎：动态调度多AI模型实现降本增效
  • ARM PMU架构与PMCNTENCLR_EL0寄存器详解
  • SpringBoot+Vue 工程教育认证计算机课程管理平台管理平台源码【适合毕设/课设/学习】Java+MySQL
  • 通过用量看板观测TaotokenAPI调用成本与模型消耗分布
  • OpenClaw像素仪表盘：游戏化AI智能体实时监控与运维实战
  • CANN高斯泼溅视锥剔除优化
  • 别再刷后台了！我用凌风工具箱导出竞价表格，摸清所有对手底牌
  • 智能字典生成器：从规则引擎到安全测试的自动化密码构造
  • 异构计算性能优化：TALP框架原理与实践
  • 从思维链到思维图：GoT框架如何革新大语言模型推理
  • 智能OR-ing技术：提升冗余电源效率与可靠性的关键
  • CANN/pto-isa通信正确性验证方法
  • 终极指南：如何用TranslucentTB打造个性化透明任务栏
  • Sverklo：为AI编程助手注入代码结构智能，实现精准搜索与安全重构
  • AI气象与海浪预测：从数据驱动原理到LSTM/Transformer模型实践
  • 从认知科学到AI工程：构建可评估的“意识指标”框架
  • 从零构建智能代码解释器：LLM与沙箱的工程实践
  • Breeze Hinted光标主题：解决Linux高分屏光标模糊的Hinting优化方案
  • 2026年评价高的珍珠棉拖盘/珍珠棉袋/天津珍珠棉盒子优质供应商推荐 - 行业平台推荐
  • AI工具高效筛选指南：从Awesome列表到个人知识库构建
  • 一键导出竞价表格，凌风工具箱助力 Temu 高效抢流量
  • Arduino物理开关模拟鼠标点击：从硬件连接到代码实现的完整指南
  • AI+区块链+DAO：构建去中心化社会协作网络应对性勒索危机
  • 隐私优先的本地化个人基因组分析工具：从数据到洞察的完整指南
  • Cursor AI 编码助手规则集配置指南：从代码规范到项目定制
  • 预测锦标赛：解码AGI发展的集体智慧与风险评估
  • PMP管理大数据学习建议