企业官网建设流程全解析

• 人工智能
• 编译器
• 模型编译
• 高性能计算
• 深度学习
• CANN

本篇文章以 PyPTO 编程范式中 Tile 逐元素除法算子pypto_pro.language.div为讲解对象，完整覆盖其产品支持范围、两种计算模式（Tile-Tile 与 Tile-Scalar）、函数原型、参数与数据类型约束，并结合仓库源码与 ST 测试用例深入剖析其底层调度逻辑与精度控制实现。读完本文，你将能够在 Ascend 950（A5）设备上正确编写、验证并优化基于 Tile 的逐元素除法内核。

产品支持情况

pypto_pro.language.div目前仅在 Ascend 950 系列产品上受支持，其余产品线暂不支持，使用时请先确认目标硬件：

仓库中的 ST 测试同样通过@pytest.mark.soc("950")标记并显式检查设备名包含 "Ascend950"，否则直接跳过（见 test_vector_operations.py），与文档的产品支持声明相互印证。

功能说明

div对两个操作数对应位置的元素执行逐元素除法，支持两种计算模式，并且都支持原地计算（即out与某个输入为同一个 Tile）：

• Tile-Tile 模式：将lhs对应位置的元素除以rhs中的元素，把结果写入out，即out[i] = lhs[i] / rhs[i]。
• Tile-Scalar 模式：将lhs中的每个元素除以一个标量rhs，把结果写入out，即out[i] = lhs[i] / scalar。

从源码看，该算子归属于python/pypto_pro/language/_api.py中 "Section B1: Binary element-wise (out, lhs, rhs)" 这一二元逐元素计算组（与add、sub、mul并列），其语义被定义为out = lhs / rhs，API 声明见 _api.py。

函数原型

pypto_pro.language.div( out: Tile, lhs: Tile, rhs: Union[Tile, Scalar], ) -> None

函数没有返回值，计算结果直接写入out。

参数说明

数据类型说明

与同组的add相比，div的整数支持范围更窄（不含DT_INT8/DT_UINT8），也不支持DT_BF16。这一差异在代码生成层面有所体现：除法、幂、取模等运算在向量二元指令生成时会被附加"精度类型"模板参数（见下节源码解析），因此对数据类型与算法选择有更严格的要求。实际使用中请以本文档表格列出的 8 种数据类型为准。

约束说明

官方文档声明无额外约束。从源码结构看，Section B1 组的公共约束同样适用于div，可作参考：

• 不支持广播：out、lhs、rhs（当rhs为 Tile 时）的 shape 必须完全一致；
• 无隐式类型提升：所有操作数的数据类型必须一致（见 _api.py 中的注释约束）。

返回值说明

无返回值，结果写入out指向的 Tile。

源码实现与底层原理

1. 模式分发的 IR 层实现

div在语言 API 层声明后，前端解析阶段通过tensor_ops.py中的div与div_scalar完成 IR 构造。核心逻辑在于根据rhs的类型自动选择 op：若rhs是ScalarType，则生成tensor.div_scalar调用；否则生成tensor.div调用，见 tensor_ops.py。

此外，标量操作数会被统一规范化为 FP32 表达式（_normalize_expr，int_dtype=DataType.FP32, float_dtype=DataType.FP32），保证标量在参与除法前的类型一致性。

2. 向量指令生成的精度控制

在代码生成阶段，div对应的OP_DIV/OP_DIVS指令会由AddBinaryPrecisionTypeParm注入一个额外的模板参数pto::DivAlgorithm。当算子的precisionType属性为 1 时使用HIGH_PRECISION，否则使用默认的DEFAULT算法，见 codegen_vector_binary.cpp。这意味着除法内核在高精度需求场景下存在算法切换的扩展通道，是理解其数值精度行为的关键实现细节。

调用示例

Tile-Tile 模式

下面是一个完整的 64×64 FP32 数据逐元素除法内核：先在pl.section_vector()向量切片内通过pl.load将全局 Tensor 加载到 Vector 内存的 Tile，再执行pl.div，最后pl.store写回：

import pypto_pro.language as pl @pl.jit(auto_mutex=True) def div_kernel(a: pl.Tensor[[64, 64], pl.DT_FP32], b: pl.Tensor[[64, 64], pl.DT_FP32], out: pl.Tensor[[64, 64], pl.DT_FP32]): tt = pl.TileType(shape=[64, 64], dtype=pl.DT_FP32, target_memory=pl.MemorySpace.Vec) tile_a = pl.make_tile_group(type=tt, addrs=0x0000, mutex_ids=[0]) tile_b = pl.make_tile_group(type=tt, addrs=0x4000, mutex_ids=[1]) tile_out = pl.make_tile_group(type=tt, addrs=0x8000, mutex_ids=[2]) with pl.section_vector(): cur_a = tile_a.current() cur_b = tile_b.current() cur_out = tile_out.current() pl.load(cur_a, a, [0, 0]) pl.load(cur_b, b, [0, 0]) pl.div(cur_out, cur_a, cur_b) pl.store(out, cur_out, [0, 0])

要点说明：

• pl.TileType通过shape、dtype、target_memory=pl.MemorySpace.Vec声明 Tile 的布局，div要求三个 Tile 的 shape 与 dtype 完全一致；
• pl.make_tile_group的addrs为 Tile 在对应内存空间中的偏移地址，mutex_ids用于向量算子的互斥与自动同步（配合auto_mutex=True使用）；
• pl.section_vector()界定向量指令执行区间，保证load → div → store处于同一向量流水上下文。

实测结果示例如下。

输入数据a：[[1 1.25 1.5 1.75 2 2.25 2.5 2.75 ...], [17 17.25 17.5 17.75 18 18.25 18.5 18.75 ...], [33 33.25 33.5 33.75 34 34.25 34.5 34.75 ...], [49 49.25 49.5 49.75 50 50.25 50.5 50.75 ...], ...] 输入数据b：[[10 10.5 11 11.5 12 12.5 13 13.5 ...], [42 42.5 43 43.5 44 44.5 45 45.5 ...], [74 74.5 75 75.5 76 76.5 77 77.5 ...], [106 106.5 107 107.5 108 108.5 109 109.5 ...], ...] 输出数据out：[[0.1 0.119048 0.136364 0.152174 0.166667 0.18 0.192308 0.203704 ...], [0.404762 0.405882 0.406977 0.408046 0.409091 0.410112 0.411111 0.412088 ...], [0.445946 0.446309 0.446667 0.44702 0.447368 0.447712 0.448052 0.448387 ...], [0.462264 0.462441 0.462617 0.462791 0.462963 0.463134 0.463303 0.46347 ...], ...]

可以看到，out每个元素严格等于a对应元素除以b对应元素，例如1 / 10 = 0.1、1.25 / 10.5 ≈ 0.119048。

Tile-Scalar 模式

Tile-Scalar 模式只需将第二个操作数替换为 Python 标量即可，适合归一化、缩放等"每个元素除以同一个常数"的场景：

# Tile每个元素除以Scalar值。 pl.div(out, lhs, 2.0)

原地计算

由于div支持原地计算，out可以与lhs或 Tile 类型的rhs为同一个 Tile，例如：

# 将 tile_a 原地除以 tile_b，结果仍写回 tile_a。 pl.div(tile_a, tile_a, tile_b)

测试验证

仓库的 ST 测试 test_vector_operations.py 中同时覆盖了div的两种模式：

• Tile-Tile：pl.div(cur_out, cur_a, cur_b)后store到输出区域偏移[256, 0]；
• Tile-Scalar：pl.div(cur_out, cur_a, DIVISOR)（DIVISOR = 4.0）后store到偏移[576, 0]。

测试将内核输出与 torch 参考结果（a / b、a / DIVISOR）通过torch.testing.assert_close对比，容差为rtol=1e-2, atol=1e-2，见 test_vector_operations.py。该测试同时验证了div与add、sub、mul等算子共享同一套 64×64 Tile 模板的复用模式，是编写自定义逐元素算子的良好参考蓝本。

小结

• pypto_pro.language.div是 PyPTO Tile 编程范式中的二元逐元素除法算子，支持 Tile-Tile、Tile-Scalar 两种模式及原地计算；
• 仅支持 Ascend 950PR / Ascend 950DT，数据类型限定为DT_INT16、DT_UINT16、DT_INT32、DT_UINT32、DT_INT64、DT_UINT64、DT_FP16、DT_FP32；
• 底层由 tensor_ops.py 依据rhs类型自动分发到tensor.div/tensor.div_scalar，并在代码生成阶段通过DivAlgorithm模板参数支持精度算法切换；
• 实战中可参照 test_vector_operations.py 中的测试模式验证结果正确性。

• 人工智能
• 编译器
• 模型编译
• 高性能计算
• 深度学习
• CANN