CANN 组织链接 ： https://atomgit.com/cann
GE 仓库链接 ： https://gitcode.com/cann/ge
1. 图的原子性与依赖关系的最小化表示
GE 必须将复杂的神经网络结构转化为一个最小化的、无歧义的依赖图，以供 Runtime 进行精确调度。
1.1 算子边界的原子性定义
图中的每一个节点（算子）都被视为一个原子执行单元。这意味着 GE 必须确保：
- 输入数据完整性：在算子开始执行前，其所有输入张量（来自上游算子或模型输入）的数据必须是完全就绪的，这由 GE 构造的依赖边来保证。
- 输出一致性：算子执行完成后，其输出张量必须是稳定且一致的，可供下游算子安全读取。
1.2 通信与计算的依赖融合
在模型并行场景下，GE 将通信操作（HCCL/SHMEM）视为具有特定依赖性的特殊算子。
- 同步依赖的强化 ：如果算子 S B S_B SB 依赖于 S A S_A SA 的输出，而 S A S_A SA 的输出需要通过跨卡通信才能到达 S B S_B SB 所在的 NPU，GE 会在 S A S_A SA 的通信完成事件和 S B S_B SB 的计算启动之间建立一个强依赖关系，确保数据在计算开始前到达。
2. 异构算子协作的调度一致性
GE 负责协调 ops-nn 标准算子、自定义 Ascend C/PyPTO 算子以及可能的回退 CPU 算子之间的执行顺序。
2.1 算子实现的类型标记
GE 在图构建时，会查询每个算子的实现类型：
- 硬件实现标记：如果一个节点被映射到 NPU 硬核（如 ops-nn 的 MatMulV3），GE 知道它可以利用最高并行度。如果被映射到自定义 Ascend C 核，GE 则参考该自定义算子注册的 Tiling 信息来估算其资源需求。
- 运行时性能模型：GE 内部维护了不同算子在不同硬件配置下的性能模型。在调度时，GE 会尝试将计算量大、依赖性少的任务优先分配给空闲的 NPU 核心。
2.2 资源分配的静态约束
GE 在图编译时静态地预先分配资源，这需要对算子的资源使用有精确的预测。
- Local Memory 预留：GE 估算每个算子在执行期间所需的 Local Memory 峰值占用。由于 Local Memory 是稀缺资源，GE 需要确保在同一时间段内被调度的所有核函数（即使它们在不同的 AI Core 上）的总 L0/L1 占用不超过物理限制。
3. 结论
GE 在 CANN 体系中扮演着资源仲裁者和执行规划师的角色。它通过对计算图进行原子化分解和深度依赖分析，结合对算子实现的类型标记和资源消耗的精确预测，生成最优的执行计划。这种对图拓扑和硬件资源之间关系的精确管理，是实现高性能和高稳定性的关键。
CANN 组织链接 ： https://atomgit.com/cann
GE 仓库链接 ： https://gitcode.com/cann/ge