写给新手的 pyasc：昇腾 Python Ascend C 绑定到底是啥？
之前做算子开发，兄弟问我：“哥，我想用 Python 写 Ascend C 算子，不用 C++，有办法吗？”
我说有，pyasc。
好问题。今天一次说清楚。
pyasc 是啥？
pyasc = Python Ascend C Binding，昇腾的 Python Ascend C 绑定。让能用 Python 写昇腾 C 算子。
一句话说清楚：pyasc 是昇腾的 Python Ascend C 绑定，让你在 Python 里直接调用 Ascend C API 写算子，不用 C++。
你说气人不气人，原来要写 C++ 才能写算子，现在用 Python 就行。
为什么要用 pyasc？
三个字：Python。
不用 pyasc（C++ 写算子）
// C++ Ascend C 代码#include"acl/acl.h"#include"tbe/tbe.h"// 定义算子extern"C"voidconv2d(void*args,void**kwargs){// 获取输入输出aclfloat16*input=(aclfloat16*)kwargs[0];aclfloat16*weight=(aclfloat16*)kwargs[1];aclfloat16*output=(aclfloat16*)kwargs[2];// 获取属性int64_tstride=*(int64_t*)kwargs[3];int64_tpadding=*(int64_t*)kwargs[4];// 写计算逻辑（几百行...）for(intn=0;n<N;n++){for(intk=0;k<K;k++){// ... 计算逻辑 ...}}// 返回return;}// 编译、注册、调用...// 复杂死了！用 pyasc（Python 写算子）
# Python Ascend C 代码importpyasc@pyasc.operator("Conv2d")defconv2d(input,weight,output,stride=1,padding=0):# 直接写计算逻辑N,C,H,W=input.shape K,_,kH,kW=weight.shapeforninrange(N):forkinrange(K):forohinrange(out_h):forowinrange(out_w):# 计算逻辑s=0forcinrange(C):forkhinrange(kH):forkwinrange(kW):ih=oh*stride+kh-padding iw=ow*stride+kw-padding s+=input[n,c,ih,iw]*weight[k,c,kh,kw]output[n,k,oh,ow]=s# 一行注册pyasc.register(conv2d)# 直接调用output=conv2d(input,weight,stride=2,padding=3)你说气人不气人，用 Python 代码少了 90%。
核心概念就三个
1. 算子装饰器
用装饰器定义算子：
importpyascimportnumpyasnp@pyasc.operator("MyOp")defmy_operator(input_a,input_b,output,alpha=1.0):""" 我的算子描述 """# 计算逻辑（Python 实现）output[:]=input_a+alpha*input_b2. Tensor 表述
用 NumPy 数组表示 Tensor：
importpyascimportnumpyasnp# 输入 Tensor（NumPy 数组）input=np.random.randn(1,3,224,224).astype(np.float16)input=pyasc.tensor(input)# 包装成 pyasc Tensor# 输出 Tensoroutput=pyasc.empty((1,64,112,112),dtype=np.float16)output=pyasc.tensor(output)# 或让 pyasc 自动创建output=pyasc.tensor(shape=(1,64,112,112),dtype=np.float16)3. 执行引擎
执行算子：
importpyasc# 编译算子pyasc.compile("MyOp")# 调用算子output=my_operator(input,weight,alpha=0.5)# 或批量调用outputs=pyasc.batch([(input1,weight1),(input2,weight2),(input3,weight3),],func=my_operator)为什么要用 pyasc？
三个理由：
1. 代码量少
同样一个算子：
| 方式 | 代码行数 | 说明 |
|---|---|---|
| C++ Ascend C | 300 行 | 内存管理、类型转换、循环 |
| pyasc | 30 行 | 直接写逻辑 |
2. 开发快
Python 调试比 C++ 快：
# Python 调试# 1. 出错直接报异常# 2. 可以用 pdb/IPython 调试# 3. 修改完就能跑# C++ 调试# 1. 编译很慢# 2. gdb 调试麻烦# 3. 改完要重新编译你说气人不气人，开发效率高 10 倍。
3. 生态好
Python 库丰富：
# 用 NumPy、SciPy、PillowimportnumpyasnpfromPILimportImagefromscipyimportndimage# 数据预处理img=np.array(Image.open("test.jpg"))# NumPy 处理filtered=ndimage.gaussian_filter(img,sigma=1.5)# 传给 Ascend C 算子input_tensor=pyasc.tensor(filtered)output=conv2d(input_tensor)怎么用？代码示例
示例 1：卷积算子
importpyascimportnumpyasnp@pyasc.operator("Conv2d")defconv2d(input,weight,output,stride=1,padding=0):""" 2D Convolution operator Args: input: Input tensor (N, C, H, W) weight: Weight tensor (K, C, kH, kW) output: Output tensor (N, K, oH, oW) stride: Convolution stride padding: Padding size """N,C,H,W=input.shape K,_,kH,kW=weight.shape# 计算输出尺寸oH=(H-kH+2*padding)//stride+1oW=(W-kW+2*padding)//stride+1# 确保输出形状正确output.resize((N,K,oH,oW))# 零初始化output[:]=0# 卷积计算forninrange(N):forkinrange(K):forcinrange(C):forohinrange(oH):forowinrange(oW):s=0forkhinrange(kH):forkwinrange(kW):ih=oh*stride+kh-padding iw=ow*stride+kw-paddingif0<=ih<Hand0<=iw<W:s+=input[n,c,ih,iw]*weight[k,c,kh,kw]output[n,k,oh,ow]+=s# 注册pyasc.register(conv2d)# 测试input=np.random.randn(1,3,224,224).astype(np.float32)weight=np.random.randn(64,3,7,7).astype(np.float32)output=np.empty((1,64,112,112),dtype=np.float32)# 调用conv2d(input,weight,output,stride=2,padding=3)print(f"Output shape:{output.shape}")示例 2：矩阵乘法
importpyascimportnumpyasnp@pyasc.operator("Matmul")defmatmul(a,b,c,transpose_a=False,transpose_b=False):""" Matrix multiplication Args: a: Matrix A (M, K) or (K, M) b: Matrix B (K, N) or (N, K) c: Output (M, N) transpose_a: Transpose A transpose_b: Transpose B """# 转置（如果需要）iftranspose_a:a=a.Tiftranspose_b:b=b.T# 确保形状正确M,K=a.shape K_,N=b.shapeifK!=K_:raiseValueError(f"A's K ({K}) != B's K ({K_})")# 重置输出形状c.resize((M,N))# 矩阵乘法# 使用 NumPy 的风格但手动实现forminrange(M):forninrange(N):s=0forkinrange(K):s+=a[m,k]*b[k,n]c[m,n]=s# 注册pyasc.register(matmul)# 测试a=np.random.randn(1024,512).astype(np.float32)b=np.random.randn(512,2048).astype(np.float32)c=np.empty((1024,2048),dtype=np.float32)matmul(a,b,c)print(f"Output shape:{c.shape}")示例 3：Pooling
importpyascimportnumpyasnp@pyasc.operator("MaxPool2d")defmax_pool2d(input,output,kernel_size=2,stride=2,padding=0):""" Max pooling Args: input: Input tensor (N, C, H, W) output: Output tensor (N, C, oH, oW) kernel_size: Pooling window size stride: Stride padding: Padding """N,C,H,W=input.shape# 计算输出尺寸oH=(H-kernel_size+2*padding)//stride+1oW=(W-kernel_size+2*padding)//stride+1output.resize((N,C,oH,oW))# Max poolingforninrange(N):forcinrange(C):forohinrange(oH):forowinrange(oW):# 计算窗口区域h_start=oh*stride-padding w_start=ow*stride-padding# 找最大值max_val=-np.infforkhinrange(kernel_size):forkwinrange(kernel_size):ih=h_start+kh iw=w_start+kwif0<=ih<Hand0<=iw<W:max_val=max(max_val,input[n,c,ih,iw])output[n,c,oh,ow]=max_val# 注册pyasc.register(max_pool2d)# 测试input=np.random.randn(1,64,224,224).astype(np.float32)output=np.empty((1,64,112,112),dtype=np.float32)max_pool2d(input,output,kernel_size=2,stride=2)print(f"Output shape:{output.shape}")示例 4：编译和加速
importpyascimportnumpyasnpimporttime@pyasc.operator("MyOp")defmy_op(input,weight,output,alpha=1.0):"""简单的算子"""output[:]=input+alpha*weight# 第一次运行（JIT 编译）input=np.random.randn(1024,1024)weight=np.random.randn(1024,1024)output=np.empty_like(input)# JIT 编译start=time.time()for_inrange(10):my_op(input,weight,output)first_time=(time.time()-start)/10# 编译为原生代码（Ahead-of-Time）pyasc.compile("MyOp",backend="npu",opt_level=3)# 再次运行（原生代码）start=time.time()for_inrange(10):my_op(input,weight,output)second_time=(time.time()-start)/10print(f"JIT time:{first_time*1000:.2f}ms")print(f"AOT time:{second_time*1000:.2f}ms")print(f"Speedup:{first_time/second_time:.1f}x")性能数据
pyasc vs C++：
| 方式 | 开发时间 | 运行时间 | 说明 |
|---|---|---|---|
| C++ Ascend C | 1 天 | 1x | 需要编译 |
| pyasc (JIT) | 1 小时 | 1.5x | 即时运行 |
| pyasc (AOT) | 1 小时 | 1.1x | 编译后运行 |
你说气人不气人，pyasc 开发快 10 倍，运行只慢一点点。
跟其他仓库的关系
pyasc 在 CANN 架构里属于第 1 层（昇腾计算语言层），是Python 绑定层。
依赖关系：
pyasc（Python 绑定） ↓ 调用 Ascend C（算子编程语言） ↓ 编译 昇腾运行时 ↓ 执行 硬件（昇腾 NPU）解释一下：
- Ascend C：算子编程语言（C++）
- pyasc：Python 绑定，方便用
- 昇腾运行时：底层运行时
- 硬件：昇腾 NPU
简单说：pyasc是 Ascend C 的 Python 外套。脱掉外套是 C++，穿上外套是 Python。
pyasc 的核心能力
1. 算子定义
@pyasc.operator("MyOp")defmy_op(input,output,param=1.0):# 算子逻辑output[:]=input*param2. Tensor 操作
# 创建t=pyasc.tensor(shape=(1,3,224,224),dtype=np.float32)# 转换t=pyasc.from_numpy(arr)arr=t.numpy()# slicing/索引t[0,:,:,:]=value value=t[0,0,0,0]3. 执行模式
# JIT（即时执行）output=func(input)# AOT（编译后执行）pyasc.compile(func,backend="npu",opt_level=3)output=func(input)# 批处理outputs=pyasc.batch(inputs,func)适用场景
什么情况下用 pyasc：
- 快速原型：验证算子算法
- Python 开发者：不想学 C++
- 教学演示：Python 代码更易懂
什么情况下不用：
- 极致性能：还是得用 C++
- 已有算子：直接用 ops-xxx
总结
pyasc 就是昇腾的"Python Ascend C 绑定"：
- 装饰器定义：用 @pyasc.operator
- NumPy 风格：用数组，不用指针
- JIT/AOT：即时/编译执行
- Python 生态：用 NumPy、Pillow…