CANN ops-math 算子库 aclnnInplaceRandomWithoutFromToTensor 接口解析与实战调用指南【免费下载链接】ops-math本项目是CANN提供的数学类基础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-mathaclnnInplaceRandomWithoutFromToTensor 是 CANN ops-math 算子库random/dsa_random_uniform提供的 in-place 随机数填充接口它省略了 from/to 入参直接从[0, DTYPE_MAX_VALUE]的离散均匀分布中采样整数并写回 selfRef 张量适用于初始化、Dropout 掩码生成等需要满范围均匀随机填充的场景。读完本文你将掌握该接口的产品支持范围、两段式调用范式、每个入参的含义与约束以及完整的可编译示例代码与编译运行方法。产品支持情况该接口在不同硬件平台上的支持情况如下产品支持情况Ascend 950PR / Ascend 950DT支持Atlas A3 训练系列产品 / Atlas A3 推理系列产品不支持Atlas A2 训练系列产品 / Atlas A2 推理系列产品不支持Atlas 200I/500 A2 推理产品不支持Atlas 推理系列产品不支持Atlas 训练系列产品不支持从 aclnn_random.cpp 的源码可以看到该系列接口内部会通过CheckSocVersionIsSupportDSA判断当前 NPU 架构DAV_2201或 RegBase 架构以选择不同的计算路径这也是其产品支持情况与上述硬件强相关的底层原因。功能说明与aclnnInplaceRandomTensor接口相比本接口没有 from 和 to 入参默认从[0, DTYPE_MAX_VALUE]的离散均匀分布中采样整数来填充 selfRef 张量原地写回in-place。其中DTYPE_MAX_VALUE是 selfRef 数据类型能连续精确表示整型的最大值例如 selfRef 是int32类型则DTYPE_MAX_VALUE 2^31 − 1如果 selfRef 是float32类型则DTYPE_MAX_VALUE 2^24float32 尾数只有 24 位超过该值的整数无法被精确表示。对浮点类型取能连续精确表示的整型最大值这一设计是为了保证采样得到的整数在写回浮点张量后仍然精确无损失避免大数舍入造成结果偏差。两段式接口与函数原型每个算子 API 均采用两段式接口设计必须先调用aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize接口获取计算所需 workspace 大小以及包含算子计算流程的执行器executor再调用aclnnInplaceRandomWithoutFromToTensor接口执行计算。第一段接口原型aclnnStatus aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize( const aclTensor* selfRef, const aclTensor* seedTensor, const aclTensor* offsetTensor, int64_t offset, uint64_t* workspaceSize, aclOpExecutor** executor)第二段接口原型aclnnStatus aclnnInplaceRandomWithoutFromToTensor( void* workspace, uint64_t workspaceSize, aclOpExecutor* executor, aclrtStream stream)接口声明与函数注释可参见头文件 aclnn_random.h其中明确了 seedTensor/offsetTensor 为 Device 侧INT64的 ND 格式张量。aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize 参数说明第一段接口各参数含义如下参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续tensorselfRef输入/输出输入输出 tensor支持空 tensor 场景BFLOAT16、FLOAT16、FLOAT32、INT32、INT64、INT16、INT8、UINT8、BOOLND0-8√seedTensor输入设置随机数生成器的种子值它影响生成的随机数序列-INT64ND1×offsetTensor输入表示随机数的偏移量它影响生成的随机数序列的位置。设置偏移量后生成的随机数序列会从指定位置开始与标量 offset 的累加结果作为随机数算子的偏移量INT64ND1×offset输入作为 offsetTensor 的累加量-INT64---workspaceSize输出返回用户需要在 Device 侧申请的 workspace 大小-----executor输出返回 op 执行器包含了算子计算流程-----从源码实现看offsetTensor与标量offset的累加确实发生在算子拼接阶段在 aclnn_random.cpp 中先将标量offset构造成INT64临时 tensor再通过l0op::Add(offsetTensor, tmpTensor, ...)完成累加最终把累加结果作为StatelessRandomWithoutFromTo的偏移量传入。返回值返回类型为aclnnStatus具体状态码含义参见 aclnn 返回码。第一段接口会完成入参校验出现以下场景时报错返回值错误码描述ACLNN_ERR_PARAM_NULLPTR161001传入的 selfRef 是空指针ACLNN_ERR_PARAM_INVALID161002selfRef 的数据类型不在支持的范围之内对应源码中的校验逻辑位于 aclnn_random.cpp 的CheckParams空指针检查、DTYPE_SUPPORT_LIST/REGBASE_DTYPE_SUPPORT_LIST类型检查、最大 8 维 shape 检查以及 aclnn_random.cpp 对 seedTensor/offsetTensor 必须为INT64的强制校验。aclnnInplaceRandomWithoutFromToTensor 参数说明第二段接口各参数含义如下参数名输入/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 aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize 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返回值同样为aclnnStatus具体参见 aclnn 返回码。workspace 的作用与两段式调用约束workspace 是除输入/输出外算子在 NPU 上完成计算所需的临时内存参见两段式接口。必须严格按照第一段获取大小 → 按大小申请 Device 内存 → 第二段执行的顺序调用且第二段接口不能重复调用。特别地当selfRef-IsEmpty()空 tensor时第一段接口会直接返回workspaceSize 0此时无需申请 workspace 内存见 aclnn_random.cpp。约束说明确定性计算aclnnInplaceRandomWithoutFromToTensor 默认确定性实现即相同 seed 与 offset 组合可复现完全一致的随机数序列。Ascend 950PR / Ascend 950DToffset 必须为 4 的倍数。底层执行流程源码级解析从 aclnn_random.cpp 的aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize实现可以梳理出该接口的内部调用链通过CheckParams完成 selfRef 的空指针、数据类型、维度校验空 tensor 场景直接返回workspaceSize 0通过l0op::Contiguous将 selfRef 转换为连续张量这也是接口支持非连续 tensor 的原因将标量offset构造成临时 tensor与offsetTensor执行l0op::Add累加调用l0op::StatelessRandomWithoutFromTo完成离散均匀采样计算进入PostProcessInplaceRandomWithoutFromTo后处理若 selfRef 为BOOL类型先 Cast 为INT32再执行RoundDecimals舍入随后经CastProcess转换回目标类型最终通过l0op::ViewCopy写回原张量实现 in-place 语义。该调用链与仓库中的 golden 计算逻辑保持一致测试脚本 executor_aclnnInplaceRandomTensor.py 中同样使用tf.raw_ops.StatelessRandomUniformV2生成均匀分布、(end - start)缩放加start平移并对 BOOL 做round舍入后转回目标 dtype。这也从测试侧印证了离散均匀分布 类型回写的实现语义。调用示例以下为完整示例代码源自 关联文档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_random.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::vectorint64_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 CreateAclTensor(const std::vectorT hostData, const std::vectorint64_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侧数据拷贝到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::vectorint64_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() { // 1.固定写法device/stream初始化参考acl API手册 // 根据自己的实际device填写deviceId 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::vectorint64_t selfShape {4, 2}; std::vectorint64_t seedShape {1}; std::vectorint64_t offsetShape {1}; void* selfDeviceAddr nullptr; aclTensor* self nullptr; void* seedDeviceAddr nullptr; aclTensor* seed nullptr; void* offsetDeviceAddr nullptr; aclTensor* offset nullptr; int64_t offset2 100; std::vectorfloat selfHostData {1, 2, 3, 4, 5, 6, 7, 8}; std::vectorint64_t seedHostData {0}; std::vectorint64_t offsetHostData {392}; // 创建self aclTensor ret CreateAclTensor(selfHostData, selfShape, selfDeviceAddr, aclDataType::ACL_FLOAT, self); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建seed aclTensor ret CreateAclTensor(seedHostData, seedShape, seedDeviceAddr, aclDataType::ACL_INT64, seed); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建offset aclTensor ret CreateAclTensor(offsetHostData, offsetShape, offsetDeviceAddr, aclDataType::ACL_INT64, offset); CHECK_RET(ret ACL_SUCCESS, return ret); // 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aclnnInplaceRandomWithoutFromToTensor第一段接口 ret aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize(self, seed, offset, offset2, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnInplaceRandomWithoutFromToTensorGetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 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aclnnInplaceRandomWithoutFromToTensor第二段接口 ret aclnnInplaceRandomWithoutFromToTensor(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnInplaceRandomWithoutFromToTensor 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(selfShape); std::vectorfloat resultData(size, 0); ret aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), selfDeviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(copy result from device to host failed. ERROR: %d\n, ret); return ret); for (int64_t i 0; i size; i) { LOG_PRINT(result[%ld] is: %f\n, i, resultData[i]); } // 6. 释放aclTensor和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(self); aclDestroyTensor(seed); aclDestroyTensor(offset); // 7. 释放Device资源需要根据具体API的接口定义修改 aclrtFree(selfDeviceAddr); aclrtFree(seedDeviceAddr); aclrtFree(offsetDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }示例代码要点说明头文件需要同时包含acl/acl.h与aclnnop/aclnn_random.h后者声明了本接口及其同系列接口selfShape {4, 2}表示一个 4×2 的FLOAT32张量seed张量置{0}、offsetTensor置{392}标量offset2 100因此实际生效的随机数偏移量为392 100 492示例中self同时作为输入与输出使用in-place 语义执行后原张量内容被随机数覆盖。编译与运行完整编译运行流程参见编译与运行样例核心步骤概括如下准备好示例代码如上文并命名为test_aclnn_inplace_random_without_from_to_tensor.cpp编写对应 CMakeLists.txt安装 CANN 软件后执行source ${INSTALL_DIR}/set_env.sh生效环境变量${INSTALL_DIR}为 CANN 实际安装路径编译运行mkdir -p build cd build cmake ../ -DCMAKE_CXX_COMPILERg -DCMAKE_SKIP_RPATHTRUE make cd bin ./opapi_test编译时需链接libascendcl.so、libnnopbase.so、libopapi_math.so等库。若运行报错可使用aclGetRecentErrMsg接口获取具体错误信息例如入参为空指针时会返回错误码161001。仓库中还提供了同系列接口的现成调用样例可直接参考test_aclnn_inplace_random.cpp、test_aclnn_inplace_random_tensor.cpp、test_aclnn_inplace_uniform.cpp、test_aclnn_inplace_uniform_tensor.cpp均位于 random/dsa_random_uniform/examples。相关文档与资源同系列接口文档aclnnInplaceRandom、aclnnInplaceRandomTensor、aclnnInplaceRandomWithoutFromTo、aclnnInplaceUniform、aclnnInplaceUniformTensor接口声明头文件aclnn_random.h、dsa_random_uniform.h底层实现aclnn_random.cpp、dsa_random_uniform.cpp测试脚本executor_aclnnInplaceRandomTensor.py、golden.py通用知识两段式接口、aclnn 返回码、编译与运行样例【免费下载链接】ops-math本项目是CANN提供的数学类基础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-math创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考