【AscendC】tiling方案设计不当引起的一个时隐时现的bug

在设计tiling方案时,通常会考虑到非对齐的场景,对输入数据进行补全操作从而使得非对齐场景也能正确的完成计算。但在某些算子的实现过程中,沿用上述操作却会造成数据的错误计算,且这种错误出现与否取决于随机生成的测试数据质量。本文笔者记录一个典型的错误,并分析产生该错误的原因。

对于exp操作来说,通过将其优化为max + exp(x - max)是一种常用的手段。但对于非对齐场景,上述优化之后的算子可能会出现问题。对于补齐的位置,通常是以补0作为典型的补齐手段,此时如果原数据的最大值为大于等于0的值,那么在计算max的过程不会产生影响,但是在计算x-max之后就会造成补0的位置的值变成了负数,从而经过指数操作之后会产生正值,如果其后有规约求和的操作就会造成求和的数目过大从而造成结果错误。

但是上述过程可能会出现无法检测的情况,也即补齐的数目非常少(例如只有1个位置需要补0),此时可能出现没有影响到最终结果的情况。

因此在tiling设计中尤其要注意非对齐场景,这些补齐的位置是否会对计算产生影响。

相关推荐
ai产品老杨7 分钟前
深度解析:基于 Docker 与 GB28181 的企业级 AI 视频管理平台——实现 X86/ARM 异构计算与全场景边缘计算架构
人工智能·docker·音视频
我鑫如一12 分钟前
性价比高的AI API中转站推荐企业
人工智能·python
Cx330❀13 分钟前
Qt 入门指南:从零搭建开发环境到第一个图形界面程序
xml·大数据·开发语言·网络·c++·人工智能·qt
user803952795254321 分钟前
Codex 源码- Skill 系统
人工智能
搬砖的小码农_Sky22 分钟前
AI Agent:OpenClaw的算法架构
人工智能·算法·ai·架构·人机交互·agi
名字不好奇24 分钟前
RAG进阶:下一代RAG怎么玩?
数据库·人工智能
夜影风30 分钟前
Claude Code是什么,为什么它能力强大而国产替代不及预期
人工智能·claude code
移动云开发者联盟31 分钟前
行业大咖已就位!邀您共赴移动云大会发布路演现场
人工智能
薛定e的猫咪35 分钟前
(AAMAS 2023)基于广义策略改进优先级的高效多目标学习 GPI - LS/PD
人工智能·学习·机器学习