当前位置： 首页 > news >正文

CANN/ops-nn快速层归一化算子

news 2026/5/11 7:44:49

aclnnFastLayerNorm

【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn

📄 查看源码

产品支持情况

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

功能说明

  • 接口功能：对指定层进行均值为0、标准差为1的归一化计算。aclnnFastLayerNorm接口相比aclnnLayerNorm接口，整体性能提升了50%，内存与GPU保持一致，累加序优化导致精度存在差异。

  • 计算公式：

    $$ out = \frac{x - \mathrm{E}[x]}{ \sqrt{\mathrm{Var}[x] + eps}} * weightOptional + biasOptional $$

    $$ meanOutOptional = \mathrm{E}[x] $$

    $$ rstdOutOptional = \frac{1}{ \sqrt{\mathrm{Var}[x] + eps}} $$

    其中，E[x]表示输入的均值，Var[x]表示输入的方差。

函数原型

每个算子分为两段式接口，必须先调用“aclnnFastLayerNormGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnFastLayerNorm”接口执行计算。

aclnnStatus aclnnFastLayerNormGetWorkspaceSize( const aclTensor *input, const aclIntArray *normalizedShape, const aclTensor *weightOptional, const aclTensor *biasOptional, double eps, aclTensor *out, aclTensor *meanOutOptional, aclTensor *rstdOutOptional, uint64_t *workspaceSize, aclOpExecutor **executor)
aclnnStatus aclnnFastLayerNorm( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)

aclnnFastLayerNormGetWorkspaceSize

  • 参数说明

    参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续Tensor
    input（aclTensor*）输入表示进行归一化计算的输入，对应公式中的`x`。
    • 支持空Tensor。
    • shape为[A1,...,Ai,R1,...,Rj]，其中A1至Ai表示无需norm的维度，R1至Rj表示需norm的维度。
    		FLOAT32、FLOAT16、BFLOAT16ND1-8√
    normalizedShape（aclIntArray*）输入表示需要进行norm计算的维度。值为[R1,...,Rj]，长度小于等于输入input的shape长度，不支持为空。且R1*R2*...*Rj小于等于583705600。INT64---
    weightOptional（aclTensor*）输入可选输入参数，表示进行归一化计算的权重。对应公式中的`weightOptional`。
    • 支持空Tensor。
    • 当`weightOptional`非空时：
      • 数据类型与输入`input`一致或为FLOAT类型，且当`biasOptional`存在时，`weightOptional`与`biasOptional`的数据类型相同。
      • shape与`normalizedShape`相等，为[R1,...,Rj]。
    • 当`weightOptional`为空时，接口内部会构造一个shape为[R1,...,Rj]，数据全为1的Tensor。
      • 当`biasOptional`存在时，`weightOptional`与`biasOptional`的数据类型相同。
      • 当`biasOptional`不存在时，`weightOptional`与输入`input`的数据类型相同。
    		FLOAT32、FLOAT16、BFLOAT16ND1-8√
    biasOptional（aclTensor*）输入可选输入参数，表示进行归一化计算的偏移量。对应公式中的`biasOptional`。
    • 支持空Tensor。
    • 当`biasOptional`非空时：
      • 数据类型与输入`input`一致或为FLOAT类型，且当`weightOptional`存在时，`biasOptional`与`weightOptional`的数据类型相同。
      • shape与`normalizedShape`相等，为[R1,...,Rj]。
    • 当`biasOptional`为空时，接口内部会构造一个shape为[R1,...,Rj]，数据全为0的Tensor。
      • 当`weightOptional`存在时，`biasOptional`与`weightOptional`的数据类型相同。
      • 当`weightOptional`不存在时，`biasOptional`与输入`input`的数据类型相同。
    		FLOAT32、FLOAT16、BFLOAT16ND1-8√
    eps（double）输入表示添加到分母中的值，以确保数值稳定。对应公式中的`eps`。-----
    out（aclTensor*）输出表示进行归一化计算的结果。对应公式中的`out`。
    • 支持空Tensor。
    • 数据类型与`input`的数据类型保持一致。
    • shape需要与`input`的shape相等，为[A1,...,Ai,R1,...,Rj]。
    		FLOAT32、FLOAT16、BFLOAT16ND1-8√
    meanOutOptional（aclTensor*）输出可选输出，表示进行归一化后的均值。对应公式中的`meanOutOptional`。
    • 支持空Tensor。
    • 数据类型与`input`的数据类型保持一致。
    • 当`rstdOutOptional`存在时与`rstdOutOptional`的shape相同，shape为[A1,...,Ai,1,...,1]，Ai后共有j个1，与需要norm的轴长度保持相同。
    		FLOAT32、FLOAT16、BFLOAT16ND1-8√
    rstdOutOptional（aclTensor*）输出可选输出，表示进行归一化后的标准差倒数。对应公式中的`rstdOutOptional`。
    • 支持空Tensor。
    • 数据类型与`input`的数据类型保持一致。
    • 当`meanOutOptional`存在时与`meanOutOptional`的shape相同，shape为[A1,...,Ai,1,...,1]，Ai后共有j个1，与需要norm的轴长度保持相同。
    		FLOAT32、FLOAT16、BFLOAT16ND1-8√
    workspaceSize（uint64_t*）输出返回需要在Device侧申请的workspace大小。-----
    executor（aclOpExecutor**）输出返回op执行器，包含了算子计算流程。-----

  • 返回值

    aclnnStatus：返回状态码，具体参见aclnn返回码。

    第一段接口完成入参校验，出现以下场景时报错：

    返回码错误码描述
    ACLNN_ERR_PARAM_NULLPTR161001传入的input、normalizedShape或out为空指针。
    ACLNN_ERR_PARAM_INVALID161002input、weightOptional（非空时）、biasOptional（非空时）、out、meanOutOptional（非空时）、rstdOutOptional（非空时），shape的维度超过8维。
    normalizedShape的元素个数超过8。
    input、weightOptional（非空时）、biasOptional（非空时）、out、meanOutOptional（非空时）、rstdOutOptional（非空时），数据类型不在支持的范围内。
    normalizedShape维度小于1维。
    weightOptional非空且shape与normalizedShape不相等。
    biasOptional非空且shape与normalizedShape不相等。
    input的维度小于normalizedShape的维度。
    input的shape与normalizedShape右对齐时对应维度shape不相等。
    input和out的shape不一致。
    ACLNN_ERR_INNER_NULLPTR561103normalizedShape的值为[R1,...,Rj]时，R1*R2*...*Rj的值大于583705600。

aclnnFastLayerNorm

  • 参数说明

    参数名输入/输出描述
    workspace输入在Device侧申请的workspace内存地址。
    workspaceSize输入在Device侧申请的workspace大小，由第一段接口aclnnFastLayerNormGetWorkspaceSize获取。
    executor输入op执行器，包含了算子计算流程。
    stream输入指定执行任务的Stream。

  • 返回值

    aclnnStatus：返回状态码，具体参见aclnn返回码。

约束说明

  • input、normalizedShape、weightOptional（非空时）、biasOptional（非空时）、out、meanOutOptional（非空时）或rstdOutOptional（非空时）的shape不超过8维。
  • 确定性计算：
    • aclnnFastLayerNorm默认确定性实现。

调用示例

示例代码如下，仅供参考，具体编译和执行过程请参考编译与运行样例。

#include <iostream> #include <vector> #include "acl/acl.h" #include "aclnnop/aclnn_layer_norm.h" #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } 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，资源初始化 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 CreateAclTensorMem(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr) { auto size = GetShapeSize(shape) * sizeof(T); 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); 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); return 0; } template <typename T> void aclCreateTensorP(const std::vector<T>& shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) { 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]; } *tensor = aclCreateTensor( shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); } template <typename T> void aclCreateIntArrayP(const std::vector<T>& hostData, aclIntArray** intArray) { *intArray = aclCreateIntArray(hostData.data(), hostData.size()); } int main() { // 1.（固定写法）device/stream初始化，参考acl API手册 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 std::vector<int64_t> xShape = {1, 2, 32}; std::vector<int64_t> normShape = {32}; std::vector<int64_t> meanShape = {1, 2, 1}; void* xDeviceAddr = nullptr; void* weightDeviceAddr = nullptr; void* biasDeviceAddr = nullptr; void* outDeviceAddr = nullptr; void* meanDeviceAddr = nullptr; void* rstdDeviceAddr = nullptr; aclTensor* x = nullptr; aclIntArray* norm = nullptr; aclTensor* weight = nullptr; aclTensor* bias = nullptr; aclTensor* out = nullptr; aclTensor* mean = nullptr; aclTensor* rstd = nullptr; std::vector<float> xHostData(64, 2.0); std::vector<int64_t> normData = {32}; std::vector<float> weightHostData(32, 1.0); std::vector<float> biasHostData(32, 0.0); std::vector<float> outHostData(64, 0.0); std::vector<float> meanHostData(2, 0.0); std::vector<float> rstdHostData(2, 0.0); double eps = 1e-5; ret = CreateAclTensorMem(xHostData, xShape, &xDeviceAddr); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensorMem(weightHostData, normShape, &weightDeviceAddr); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensorMem(biasHostData, normShape, &biasDeviceAddr); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensorMem(outHostData, xShape, &outDeviceAddr); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensorMem(meanHostData, meanShape, &meanDeviceAddr); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensorMem(rstdHostData, meanShape, &rstdDeviceAddr); CHECK_RET(ret == ACL_SUCCESS, return ret); aclCreateTensorP(xShape, &xDeviceAddr, aclDataType::ACL_FLOAT, &x); aclCreateIntArrayP(normData, &norm); aclCreateTensorP(normShape, &weightDeviceAddr, aclDataType::ACL_FLOAT, &weight); aclCreateTensorP(normShape, &biasDeviceAddr, aclDataType::ACL_FLOAT, &bias); aclCreateTensorP(xShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out); aclCreateTensorP(meanShape, &meanDeviceAddr, aclDataType::ACL_FLOAT, &mean); aclCreateTensorP(meanShape, &rstdDeviceAddr, aclDataType::ACL_FLOAT, &rstd); // 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; // 调用aclnnFastLayerNorm第一段接口 ret = aclnnFastLayerNormGetWorkspaceSize(x, norm, weight, bias, eps, out, mean, rstd, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnFastLayerNormGetWorkspaceSize failed. ERROR: %d\n", ret); return ret); void* workspaceAddr = nullptr; if (workspaceSize > 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); } // 调用aclnnFastLayerNorm第二段接口 ret = aclnnFastLayerNorm(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnFastLayerNorm failed. ERROR: %d\n", ret); return ret); // 4.（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); // 5. 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 auto size = GetShapeSize(xShape); std::vector<float> resultData(size, 0); ret = aclrtMemcpy( resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy first result from device to host failed. ERROR: %d\n", ret); return ret); for (int64_t i = 0; i < size; i++) { LOG_PRINT("out result[%ld] is: %f\n", i, resultData[i]); } auto size1 = GetShapeSize(meanShape); std::vector<float> resultData1(size1, 0); ret = aclrtMemcpy( resultData1.data(), resultData1.size() * sizeof(resultData1[0]), meanDeviceAddr, size1 * sizeof(resultData1[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy second result from device to host failed. ERROR: %d\n", ret); return ret); for (int64_t i = 0; i < size1; i++) { LOG_PRINT("mean result[%ld] is: %f\n", i, resultData1[i]); } auto size2 = GetShapeSize(meanShape); std::vector<float> resultData2(size2, 0); ret = aclrtMemcpy( resultData2.data(), resultData2.size() * sizeof(resultData2[0]), rstdDeviceAddr, size2 * sizeof(resultData2[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy last result from device to host failed. ERROR: %d\n", ret); return ret); for (int64_t i = 0; i < size2; i++) { LOG_PRINT("rstd result[%ld] is: %f\n", i, resultData2[i]); } // 6. 释放aclTensor和aclIntArray，需要根据具体API的接口定义修改 aclDestroyTensor(x); aclDestroyIntArray(norm); aclDestroyTensor(weight); aclDestroyTensor(bias); aclDestroyTensor(out); aclDestroyTensor(mean); aclDestroyTensor(rstd); // 7. 释放device资源 aclrtFree(xDeviceAddr); aclrtFree(weightDeviceAddr); aclrtFree(biasDeviceAddr); aclrtFree(outDeviceAddr); aclrtFree(meanDeviceAddr); aclrtFree(rstdDeviceAddr); if (workspaceSize > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }

【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn

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/794426/

相关文章：

  • CANN/asc-devkit绝对值函数API文档
  • 解放双手，回归乐趣：《崩坏：星穹铁道》智能自动化助手完全指南
  • face-recognition.js 模型训练与保存：构建可复用的人脸识别系统
  • 3步快速部署GitHub中文化插件：告别英文界面的烦恼
  • 我怀疑我电脑里有感染性病毒
  • ustcthesis与Overleaf完美结合：云端LaTeX写作新体验
  • kubeaudit实战教程：3种模式全面审计Kubernetes集群
  • CANN Ascend C SetDilation函数
  • 线性码基础与最优电路合成技术解析
  • BepInEx IL2CPP启动失败终极解决指南：从异常诊断到游戏正常运行
  • CSS Zen Garden国际化策略：支持12种语言的实现原理
  • 2026年亲测5款免费降AI率工具：高效降低AI率，实现AIGC免费降重 - 降AI实验室
  • 智慧树刷课插件：3个核心功能帮你告别重复点击，学习效率提升300%
  • CANN/ge模型执行API
  • CANN/asc-devkit：设置单核输出形状API
  • CANN/Ascend C量化模式设置API
  • Linux_24：RV1126的VI模块讲解
  • 揭秘PlayIntegrityFix核心原理：系统属性欺骗与KeyStore注入技术
  • CANN/ops-math平方差算子
  • 在「唯」与「阿」之间安放计算之道，老子这句话给 SAP HANA 开发的一层提醒
  • CANN/Ascend C Mull乘法API
  • 【AI原生产品规划终极指南】：2026奇点大会PM必修的7大认知跃迁与3个落地陷阱规避法
  • CANN/Ascend C SetDilation API文档
  • 如何每天节省25分钟：淘宝淘金币自动化脚本的终极指南
  • CANN/ops-nn自适应平均池化3D反向计算
  • 如何设计有效的评估提示：HuggingFace evaluation-guidebook提示工程指南
  • CANN/ops-nn AddRmsNormDynamicQuant算子
  • 市面上比较好的水质稳定剂厂家哪家好2026年参考 - 品牌排行榜
  • 从脚本运维到AI自治运维，全链路可观测性重构，SITS 2026标准下9类典型故障自动根因定位率突破91.7%
  • 6G AI原生RAN的算力挑战与TensorPool架构解析