hc-skadi/ascendc/triton-operator-performance-optim

Triton 算子性能优化（Ascend NPU）

底线（不可突破）

1. 精度：优化后 rtol=1e-3, atol=1e-3 对齐 PyTorch-NPU。不通过则回退。
2. 泛化性：支持原有所有输入形状和 dtype，不能 hardcode 特定尺寸。

优先级：正确性 > 泛化性 > 性能。

优化工作流

Phase 0: 算法审视

优化前先审视算法本身。低效算法再优化也有先天不足。

Phase 1: 分层评估

1. 快速筛选：time.time() 测端到端（覆盖小/中/大），达标则完成
2. 精确诊断：不达标时用 msprof 测 kernel 侧耗时，定位真正瓶颈

Phase 2: 瓶颈优化

基础四板斧（按顺序）：Block/Grid Size → 连续访存 → UB 复用 → 编译时常量

加载：`optimization-patterns.md`, `ascend-terminology.md`

Phase 3: 硬件特化

• Cube：BLOCK_M/N/K 为 16 倍数，累加器 FP32
• UB：缓冲区总大小 < 192KB，单值缓冲区 32B 对齐
• Grid：1D Grid ≤ 物理核数，核内循环处理多行

加载：`triton-ascend-api.md`, `tiling-strategies.md`

Phase 4: 高级优化（按需）

算子融合、Double Buffer

Phase 5: 验证（MANDATORY）

精度 + 泛化性 + 性能 + 端到端回归

反模式清单（NEVER）

• ❌ 仅凭单一规模数据做优化决策
• ❌ 端到端不达标时直接优化 kernel（应先 msprof 确认瓶颈）
• ❌ 为性能牺牲精度 / hardcode 破坏泛化性
• ❌ FP16 直接归约 / 非 16 倍数 BLOCK 做矩阵乘
• ❌ BLOCK_SIZE 超 UB（192KB）/ 非连续访存
• ❌ 热路径用 tensor.item()（触发 CPU-NPU 同步）
• ❌ 循环内用 if 分支修改变量（Triton 编译为 masked 操作，灾难性性能下降）
• ❌ 2D Tiling 只算数据 buffer 的 UB（必须包含 offset/mask/index 数组）
• ❌ 用预计算的 offset tensor 做 2D broadcasting（触发编译器 addptr 多用户 assertion）
• ❌ kernel 内用 broadcast stride 访问辅助张量（cos/sin 等），应改为 host 侧 expand+contiguous。expand 额外内存 < 非连续访存的性能损失

检查清单

• [ ] 精度对齐 PyTorch-NPU（rtol=1e-3, atol=1e-3）
• [ ] 非对齐维度和边界通过
• [ ] 性能测试覆盖小/中/大
• [ ] grid ≤ 物理核数，BLOCK_SIZE 为编译时常量
• [ ] 缓冲区 < 192KB，所有 load/store 有 Mask
• [ ] 归约升 FP32，矩阵乘 BLOCK 为 16 倍数