PTO 指令详解:TSTORE_FP —— 基于 fp 量化参数的累加器随路量化存储

原创2026-09-19 22:11:261,350 阅读
文章标签:人工智能算子库CANNAscend

PTO 指令详解:TSTORE_FP —— 基于 fp 量化参数的累加器随路量化存储

导读

TSTORE_FP 是 PTO(Parallel Tile Operation,Ascend CANN 面向 Tile 级运算的虚拟指令集)中用于将累加器(Acc)Tile 以 fp Tile 作为向量量化参数写入全局内存的存储指令。它面向量化推理/训练场景中“矩阵乘累加结果直接随路量化落盘”的典型诉求,在 A2A3 与 Ascend 950 系列(A5)等多代架构上均有后端实现,并支持与 TMATMUL<AccPhase::Final> 配合实现量化与 unit flag 并行的流水优化。读完本文,你将掌握 TSTORE_FP 的数学语义、汇编与 C++ 调用形式、A2A3/A5 两端约束差异,以及其底层 TSTORE_IMPL → TStoreAccFp 的实现机理与工程测试佐证。

TSTORE_FP 指令示意图

指令概述与设计定位

TSTORE_FP 使用 fp Tile 作为向量量化参数(vector quantization parameters),将累加器 Tile 存储到全局内存。相比标量量化形式 TSTORE(dst, src, preQuantScalar),fp 形式为逐通道(per-channel)随路量化提供了参数载体:量化参数本身放在一个独立的 Scaling Tile 中,由硬件在搬出流水(fixpipe)中完成反量化/再量化转换。

从接口设计上看,TSTORE_FP(...) 是为历史 fp 量化存储形态保留的源码兼容 C++ 调用入口,它直接映射到 TSTORE_IMPL(dst, src, fp) 实现路径;而规范同名 TSTORE(..., fp, ...) 重载在 facade 层要求 Scaling Tile 才参与匹配。历史 alias 则保留后端实现既有的合法性检查(参见 TSTORE_FP 指令文档 与 TSTORE 指令文档)。与之相对的 TSTORE 的量化标量重载签名如下,可用于对照理解:

// TSTORE 标量量化重载(TSTORE_FP 的 fp 形式与之并列)
template <typename TileData, typename GlobalData, AtomicType atomicType = AtomicType::AtomicNone, typename... WaitEvents>
PTO_INST RecordEvent TSTORE(GlobalData& dst, TileData& src, uint64_t preQuantScalar, WaitEvents&... events);

数学语义

设 R = src.GetValidRow(),C = src.GetValidCol()。概念上(二维视图,带基础偏移),对 0 <= i < R 且 0 <= j < C:

dstr0+i,  c0+j=Convert ⁣(srci,j; fp)\mathrm{dst}_{r_0 + i,\; c_0 + j} = \mathrm{Convert}\!\left(\mathrm{src}_{i,j};\ \mathrm{fp}\right)

即目标全局内存中的每个元素等于源 Tile 对应元素经 fp 量化参数转换后的结果。实际搬出时,实现使用 src.GetValidRow() / src.GetValidCol() 作为传输大小(有效区域),而非 Tile 的静态形状整体。

汇编语法

同步形式(PTO 底层汇编):

tstore.fp %src, %fp, %sv_out[%c0, %c0]

AS Level 1(SSA)

pto.tstore.fp %src, %fp, %mem : (!pto.tile<...>, !pto.tile<...>, !pto.partition_tensor_view<MxNxdtype>) -> ()

AS Level 2(DPS)

pto.tstore.fp ins(%src, %fp : !pto.tile_buf<...>, !pto.tile_buf<...>) outs(%mem : !pto.partition_tensor_view<MxNxdtype>)

其中 %src 为累加器 Tile、%fp 为量化参数 Tile、%mem 为目标全局内存视图(partition_tensor_view<MxNxdtype>)。

C++ 内建接口

接口声明位于 include/pto/common/pto_instr.hpp 与 include/pto/common/constants.hpp,公共包含头为 <pto/pto-inst.hpp>(内部声明位于 pto/common/pto_instr.hpp)。

template <typename TileData, typename GlobalData, typename FpTileData, AtomicType atomicType = AtomicType::AtomicNone,
          ReluPreMode reluPreMode = ReluPreMode::NoRelu, typename... WaitEvents>
PTO_INST RecordEvent TSTORE(GlobalData &dst, TileData &src, FpTileData &fp, WaitEvents &... events);

template <typename TileData, typename GlobalData, typename FpTileData, AtomicType atomicType = AtomicType::AtomicNone,
          ReluPreMode reluPreMode = ReluPreMode::NoRelu, typename... WaitEvents>
PTO_INST RecordEvent TSTORE_FP(GlobalData &dst, TileData &src, FpTileData &fp, WaitEvents &... events);

template <STPhase Phase, typename TileData, typename GlobalData, typename FpTileData,
          AtomicType atomicType = AtomicType::AtomicNone,
          ReluPreMode reluPreMode = ReluPreMode::NoRelu, typename... WaitEvents>
PTO_INST RecordEvent TSTORE_FP(GlobalData &dst, TileData &src, FpTileData &fp, WaitEvents &... events);

模板参数说明:

模板参数 含义 默认值
TileData 源累加器 Tile 类型,Loc 必须为 TileType::Acc —
GlobalData 目标 GlobalTensor 类型,决定布局与数据类型 —
FpTileData fp 量化参数 Tile 类型,Loc 必须为 TileType::Scaling —
atomicType 原子写模式,仅支持 AtomicNone / AtomicAdd AtomicNone
reluPreMode 搬出前 ReLU 预处理模式 NoRelu
Phase STPhase:Final / Partial,仅 STPhase 重载存在 —
WaitEvents... 依赖事件列表 —

从源码可见,无 Phase 的重载在 pto_instr.hpp 第 489-498 行 处直接转调 TSTORE_IMPL<TileData, GlobalData, FpTileData, atomicType, reluPreMode>(dst, src, fp);带 STPhase 的重载则在 第 502-512 行 处转调 TSTORE_IMPL<..., Phase>(dst, src, fp),且该重载仅在 PTO_NPU_ARCH_A5、PTO_NPU_ARCH_A2A3、PTO_NPU_ARCH_KIRIN9030、PTO_NPU_ARCH_KIRINDEV0000 或 __CPU_SIM 编译宏下暴露,与文档所述“STPhase fp 别名仅在存在对应后端实现的目标上暴露”一致。

约束

实现检查(A2A3)

  • fp 存储路径通过 TSTORE_IMPL(dst, src, fp) 实现,并使用与量化累加器存储相同的累加器到 GM 合法性检查;
  • FpTileData 的合法性由所选后端实现检查;
  • 目标布局必须是 ND、NZ、NC1HWC0 或 NDC1HWC0;
  • 源数据类型必须是 int32_t 或 float;
  • 静态形状约束:1 <= TileData::Cols <= 4095;若为 ND 则 1 <= TileData::Rows <= 8192;若为 NZ、NC1HWC0 或 NDC1HWC0 则 1 <= TileData::Rows <= 65535 且 TileData::Cols % 16 == 0;
  • 运行时:1 <= src.GetValidCol() <= 4095。

实现检查(A5)

  • 同样通过 TSTORE_IMPL(dst, src, fp) 实现,并由 CheckStaticAcc<..., true>() 验证累加器路径(支持 ND/NZ/NHWC/NCHW/NCDHW,源数据类型为 int32_t/float,行/列范围有限制);
  • FpTileData 的合法性由所选后端实现检查;
  • STPhase fp 别名仅在存在对应后端实现的目标上暴露:A2A3、A5、kirin9030、kirinDev0000 和 CPU 模拟器。

数据类型支持(量化存储共用规则,摘自 TSTORE 文档)

调用形式 源数据类型 支持的目标数据类型(A2A3) 支持的目标数据类型(A5)
TSTORE(dst, acc, preQuantScalar) / TSTORE(dst, acc, fp) / TSTORE_FP(dst, acc, fp) float int8_t、uint8_t int8_t、uint8_t、half、bfloat16_t、hifloat8_t、float8_e4m3_t、float
TSTORE(dst, acc, preQuantScalar) / TSTORE(dst, acc, fp) / TSTORE_FP(dst, acc, fp) int32_t int8_t、uint8_t、half int8_t、uint8_t、half、bfloat16_t

其它未列出的跨类型组合不属于支持范围。

STPhase 与 unit flag 并行机制

这是 fp 随路量化搬出最值得关注的高级用法:

  • 在 A2A3 和 Ascend 950PR/Ascend 950DT 上,STPhase 会作用到 per-channel 随路量化的搬出指令,因此量化与 unit flag 可以并行。配合 TMATMUL<AccPhase::Final> 使用时,无需显式 set_flag/wait_flag;
  • 取值规则与 TSTORE 相同:STPhase::Final 用于最后一次搬出并释放 unit flag;STPhase::Partial 只用于同一块 L0C 分多次搬出时的非末次那几条;
  • 搬出侧 STPhase 与累加侧取值不对称:产生该 L0C 结果的 TMATMUL 必须已是 AccPhase::Final(数据已就绪)。若把 STPhase::Partial 与 AccPhase::Partial 配对,会让 fixpipe 等待一个不会到来的标志而挂死(该规则已在 L0C→L1、L0C→UB、L0C→GM 三条搬出路径上于 Ascend 950PR 仿真确认);
  • 在 kirin9030 上该重载虽然暴露,但后端未把 STPhase 接到量化搬出指令上,传入不会生效;
  • 在 Ascend 950PR 板机、CANN 9.2.0 环境下,共用的 per-channel 量化后端通过了 TSTORE 中列出的 3 个 tstore_acc2gm 定向用例(case38、case_vector_quant_uf_final、case_vector_quant_uf_multi_drain),max diff 均为 0,覆盖 per-channel 量化基线、Final 与 Partial 后接 Final 三种场景。

A5 侧测试用例 tests/npu/a5/src/st/testcase/tstore_acc2gm/tstore_acc2gm_kernel.cpp 中的分支逻辑直接印证了该设计(issue 552:per-channel 随路量化与 unit flag 并行):

if constexpr (phase == STPhase::Unspecified) {
    TSTORE_FP<AccTile, GlobalDataOut, ScalingTile, atomicTypeEnum>(dstGlobal, cTile, scalingTile);
} else if constexpr (phase == STPhase::Partial) {
    // 同一块 L0C 分多次搬出时的非末次,不释放 unit flag
    TSTORE_FP<STPhase::Partial, AccTile, GlobalDataOut, ScalingTile, atomicTypeEnum>(...);
} else {
    // Final:最后一次搬出,释放 unit flag
    TSTORE_FP<STPhase::Final, AccTile, GlobalDataOut, ScalingTile, atomicTypeEnum>(...);
}

示例

自动(Auto)

自动模式下,Tile 资源放置与调度由编译器/运行时完成,无需显式绑定:

#include <pto/pto-inst.hpp>

using namespace pto;

void example_auto(__gm__ int8_t* out) {
  using AccT = TileAcc<float, 16, 16>;
  using FpT = Tile<TileType::Scaling, uint64_t, 1, 16, BLayout::RowMajor, 1, DYNAMIC, SLayout::NoneBox>;
  using GShape = Shape<1, 1, 1, 16, 16>;
  using GStride = BaseShape2D<int8_t, 16, 16, Layout::ND>;
  using GT = GlobalTensor<int8_t, GShape, GStride, Layout::ND>;

  GT gout(out);
  AccT acc;
  FpT fp(16);
  TSTORE_FP(gout, acc, fp);
}

要点解析:

  • AccT = TileAcc<float, 16, 16>:16×16 的 float 累加器 Tile,对应 TileType::Acc 位置;
  • FpT = Tile<TileType::Scaling, uint64_t, 1, 16, ...>:关键形态——fp 参数 Tile 必须位于 TileType::Scaling,元素类型为 uint64_t(量化参数按 64 bit 封装),行数 1、列数 16(对应 16 个量化通道,与列维度 16 对齐);构造时 FpT fp(16) 传入通道数;
  • GT = GlobalTensor<int8_t, GShape, GStride, Layout::ND>:目标全局内存数据类型为 int8_t(量化输出),布局 ND。源 float + 目标 int8_t 正是文档约束表中“带 fp 量化参数调用”支持的类型组合。

手动(Manual)

手动模式下,指令发射前需要显式绑定 Tile 资源(TASSIGN 分配 L0C/量化缓冲区地址):

#include <pto/pto-inst.hpp>

using namespace pto;

void example_manual(__gm__ int8_t* out) {
  using AccT = TileAcc<float, 16, 16>;
  using FpT = Tile<TileType::Scaling, uint64_t, 1, 16, BLayout::RowMajor, 1, DYNAMIC, SLayout::NoneBox>;
  using GShape = Shape<1, 1, 1, 16, 16>;
  using GStride = BaseShape2D<int8_t, 16, 16, Layout::ND>;
  using GT = GlobalTensor<int8_t, GShape, GStride, Layout::ND>;

  GT gout(out);
  AccT acc;
  FpT fp(16);
  TASSIGN(acc, 0x1000);
  TASSIGN(fp,  0x2000);
  TSTORE_FP(gout, acc, fp);
}

TASSIGN(acc, 0x1000) 与 TASSIGN(fp, 0x2000) 分别将累加器与 fp 参数绑定到指定基址(具体地址要求取决于后端内存布局,示例仅演示接口形态)。

测试用例佐证

除 A5 侧外,A2A3 与 kirin 系列均有真实测试覆盖:

汇编示例(ASM)

自动模式

# 自动模式:由编译器/运行时负责资源放置与调度。
pto.tstore.fp %src, %fp, %mem : (!pto.tile<...>, !pto.tile<...>, !pto.partition_tensor_view<MxNxdtype>) -> ()

手动模式

# 手动模式:先显式绑定资源,再发射指令。
# 可选(当该指令包含 tile 操作数时):
# pto.tassign %arg0, @tile(0x1000)
# pto.tassign %arg1, @tile(0x2000)
pto.tstore.fp %src, %fp, %mem : (!pto.tile<...>, !pto.tile<...>, !pto.partition_tensor_view<MxNxdtype>) -> ()

PTO 汇编形式

tstore.fp %src, %fp, %sv_out[%c0, %c0]
# AS Level 2 (DPS)
pto.tstore.fp ins(%src, %fp : !pto.tile_buf<...>, !pto.tile_buf<...>) outs(%mem : !pto.partition_tensor_view<MxNxdtype>)

源码级实现剖析

TSTORE_IMPL:从 C++ 接口到搬出指令的汇聚点

以 A2A3 后端为例,fp 形式的 TSTORE_IMPL 位于 include/pto/npu/a2a3/TStore.hpp#L271-L294,其执行序列清晰呈现了合法性检查与量化参数接线:

  1. static_assert(TileData::Loc == TileType::Acc):编译期确认源为累加器;
  2. static_assert(FpTileData::Loc == TileType::Scaling, "Fp only support Scaling."):编译期强制 fp 参数为 Scaling Tile;
  3. CheckAcc2gm<TileData, GlobalData, true>(dst, src):运行时累加器→GM 合法性检查(A5 侧对应 CheckStaticAcc<..., true>());
  4. GetVectorPreQuantMode<TileData::DType, GlobalData::DType>():依据源/目标数据类型推导量化模式枚举 QuantMode_t;
  5. 调用 TStoreAccFp<GlobalData, TileData, FpTileData, quantMode, reluPreMode, Phase>(...),传入 dst/src/fp 指针、五维形状与步长、有效行列;
  6. 若为原子写(AtomicAdd),在指令前后包裹 SetAtomicAdd / SetAtomicNone。

TStoreAccFp:量化参数如何送达硬件

fp 参数真正写入硬件的关键在 include/pto/common/arch/memory/tstore_common.hpp#L493-L522:

__fbuf__ typename FpTileData::DType* fpDstAddr = (__fbuf__ typename FpTileData::DType*)__cce_get_tile_ptr(fp);
uint64_t deqTensorAddr = ((uint64_t)fpDstAddr >> static_cast<uint64_t>(7)) << 8;
set_fpc(deqTensorAddr);
pipe_barrier(PIPE_FIX);
  • fp Tile 位于 __fbuf__(量化参数缓冲区),其首地址经 >>7 << 8 换算为反量化张量地址后通过 set_fpc 写入 FPC(fp 量化控制寄存器);
  • pipe_barrier(PIPE_FIX) 保证量化参数在 fixpipe(随路量化/搬出流水)读取前就绪;
  • 随后按 GlobalData::layout 分发到 TStoreAccNz2nd / TStoreAccNz2nz / TStoreAccNz2NC1HWC0 / TStoreAccNz2NDC1HWC0 四条搬出路径(与约束中 A2A3 支持的四种目标布局一一对应)。

搬出指令寄存器编码

以 A2A3 的 NZ 搬出 TStoreAccNz2nz(include/pto/npu/a2a3/TStore.hpp#L71-L91)为例,最终下发的 copy_matrix_cc_to_gm 将调度信息编码进 Xm/Xt 寄存器:

  • Xm 寄存器:nSize(有效列数,Xm[15:4])、mSize(有效行数,Xm[31:16])、目标 GM 行间 stride(Xm[63:32]);
  • Xt 寄存器:源 stride(Xt[15:0])、unit flag 控制位 unitFlagCtrl = static_cast<uint8_t>(Phase)(Xt[33:32],即 STPhase 直达硬件的通道)、量化模式(Xt[38:34])、ReLU 预处理(Xt[41:39])、channel split 控制(Xt[42],float→float 且末维为 8 时使能)。

这正是文档所述“STPhase 会作用到 per-channel 随路量化的搬出指令,量化与 unit flag 并行”的硬件实现基础:unit flag 控制位与量化模式位位于同一 Xt 寄存器,一次搬出可同时携带两者。

小结

TSTORE_FP 是 PTO 面向量化落盘场景的高价值指令:它以 Scaling fp Tile 承载 per-channel 量化参数,通过 TSTORE_IMPL → TStoreAccFp 调用链将参数经 set_fpc 送达 fixpipe,并支持 ND/NZ/NC1HWC0/NDC1HWC0(A5 另含 NHWC/NCHW/NCDHW)多布局与 AtomicAdd、ReLU 预处理组合。进阶用法上,STPhase::Final / Partial 与 TMATMUL<AccPhase::Final> 的配对能够在 A2A3 与 Ascend 950 系列上实现量化搬出与 unit flag 的并行流水,且已在 Ascend 950PR + CANN 9.2.0 环境的 tstore_acc2gm 定向用例上以 max diff 0 通过验证。相关声明、实现与测试均可分别追溯至 pto_instr.hpp、a2a3/TStore.hpp、tstore_common.hpp 与 tstore_acc2gm 测试目录。

登录后查看全文
pto-isa