AddingZero
/
op_optimization
forked from metax-maca/op_optimization
0
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

修正 fused_moe 教程

This commit is contained in:
Xinyi Wu (i26343) - Application Ecology 2026-07-08 17:40:14 +08:00
parent 46c939acc0
commit f533b2d736
1 changed files with 51 additions and 56 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

107
基于AI Agent开发范式的国产GPU大模型推理算子库优化/Fused MoE 算子入门：从 Benchmark 验证到 XPU-OJ 接口提交.md
View File

@ -23,11 +23,11 @@
完成本模块后，你将能够：
1. 理解 Fused MoE 推理算子的基本作用、输入输出和典型应用场景；
1. 理解 Fused MoE 推理算子的基本作用、输入输出和典型应用场景。
2. 跑通对应 benchmark 脚本，并记录性能基线结果；
2. 跑通对应 benchmark 脚本，并记录性能基线结果。
3. 学习如何基于 Trition 与 MXMACA C++ 编写 Fused MOE 算子；
3. 学习如何基于 Trition 与 MXMACA C++ 编写 Fused MOE 算子。
4. 完成数值正确性测试，即验证 reference 计算、pybind 计算、Triton 计算这三种方式计算结果是否数值完全一致。
@ -39,11 +39,11 @@
* 要求 pybind 和 Triton 结果均与 reference 一致，鼓励参赛选手持续调优 Triton ，使其性能逼近甚至超越 pybind 性能。
5. 区分 benchmark 性能基线、OJ 参考实现和选手提交代码；
5. 区分 benchmark 性能基线、OJ 参考实现和选手提交代码。
6. 读懂对应 XPU-OJ 题包中的题目描述、接口约定、数据范围和精度要求；
6. 读懂对应 XPU-OJ 题包中的题目描述、接口约定、数据范围和精度要求。
7. 完成一次冒烟级 `run_kernel(...)` 提交，确认 OJ 链路、语言环境和接口调用正常；
7. 完成一次冒烟级 `run_kernel(...)` 提交，确认 OJ 链路、语言环境和接口调用正常。
8. 使用 AI Agent 辅助阅读题包、生成初版实现、定位错误并规划性能优化方向。
@ -207,7 +207,7 @@ cd '.\op_optimization\基于AI Agent开发范式的国产GPU大模型推理算
**目标：**将用 C++ 编写的 fused\_moe 算子编译为 Python 可调用的 pybind 模块。
**操作：**运行 `fused_moe/scripts/build_fused_moe_i8_tn_pybind.sh` 脚本
**操作：**运行 `fused_moe/scripts/build_fused_moe_i8_tn_pybind.sh` 脚本。
**命令示例：**
@ -227,7 +227,7 @@ PYTHON_BIN=/path/to/python bash scripts/build_fused_moe_i8_tn_pybind.sh
> \[SUCCESS\] /root/Project/fused\_moe/standalone/fused\_moe\_i8\_tn/build/fused\_moe\_i8\_tn\_ pybind.so
且成功生成 `fused_moe/standalone/fused_moe_i8_tn/build/fused_moe_i8_tn_pybind.cpython-310-x86_64-linux-gnu.so` 文件
且成功生成 `fused_moe/standalone/fused_moe_i8_tn/build/fused_moe_i8_tn_pybind.cpython-310-x86_64-linux-gnu.so` 文件。
**常见问题：**
@ -245,7 +245,7 @@ PYTHON_BIN=/path/to/python bash scripts/build_fused_moe_i8_tn_pybind.sh
**目标：**验证 reference 计算、pybind 计算、Triton 计算这三种方式计算结果的数值是否一致。
**操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_pybind_test.sh` 脚本
**操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_pybind_test.sh` 脚本。
**命令示例：**
@ -310,9 +310,9 @@ bash scripts/run_fused_moe_i8_tn_pybind_test.sh --backend reference
#### Step 5：性能测试
**目标：**输出 benchmark 结果对比表
**目标：**输出 benchmark 结果对比表。
**操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_benchmark.sh` 脚本
**操作：**运行 `fused_moe/scripts/run_fused_moe_i8_tn_benchmark.sh` 脚本。
**命令示例：**
@ -393,19 +393,14 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
| **输出** | 终端直接输出 | 排行榜得分 |
2. 理解完成 benchmark 验证并成功建立性能基线后，需要完成以下转换：
* a. 从 benchmark 脚本中理解目标 API；
* b. 在对应 OJ 平台【题目描述】中查看 `run_kernel(...)` 接口；
* c. 对照 OJ 平台【题目描述】中的输入 shape、数据范围和精度要求；
* d. 编写自己的 `run_kernel(...)`；
* e. 在 OJ 平台提交`run_kernel(...)`，先通过正确性；
* f. 正确性通过后，再对比 benchmark 耗时 / OJ 耗时继续优化。
2. 理解完成 benchmark 验证并成功建立性能基线后，需要完成以下转换：
1. 从 benchmark 脚本中理解目标 API；
2. 在对应 OJ 平台【题目描述】中查看 `run_kernel(...)` 接口；
3. 对照 OJ 平台【题目描述】中的输入 shape、数据范围和精度要求；
4. 编写自己的 `run_kernel(...)`；
5. 在 OJ 平台提交 `run_kernel(...)`，先通过正确性校验；
6. 正确性通过后，再对比 benchmark 耗时 / OJ 耗时继续优化。
#### Step 7：登录 XPU-OJ 平台并进入题目页面
@ -414,7 +409,7 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
**操作：**
1. 进入 XPU-OJ 平台后使用分配到的账号进行登录
1. 进入 XPU-OJ 平台后使用分配到的账号进行登录。
[![image1](https://origin.picgo.net/2026/07/08/image129d6d1ecc01aa9b8.png)](https://www.picgo.net/image/image1.4tmFfp)
@ -422,7 +417,7 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
[![image2](https://origin.picgo.net/2026/07/08/image28bc5fab338d015dd.png)](https://www.picgo.net/image/image2.4tmnl6)
3. 进入题目页面：本算子对应比赛题目6：`Fused MoE i8 tn`，点击进入题目页面：
3. 进入题目页面：本算子对应比赛题目6：`Fused MoE i8 tn`，点击进入题目页面。
[![image3](https://origin.picgo.net/2026/07/08/image3852589a37bfe4d08.png)](https://www.picgo.net/image/image3.4tmZJu)
@ -447,23 +442,23 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
3. 阅读数据范围与提示部分，记住以下关键约束：
* `topk`恒为 8，`num_experts`取真实 MoE 专家数（DeepSeek-V3，`256`）
* `topk`恒为 8，`num_experts`取真实 MoE 专家数（DeepSeek-V3，`256`）；
* `EM = num_tokens × 8`，且 `EM`必须是 128 的倍数
* `EM = num_tokens × 8`，且 `EM`必须是 128 的倍数；
* `N`、`K`由 case 携带：Gate-up 为 (4096, 7168)，Down 为 (7168, 2048)
* `N`、`K`由 case 携带：Gate-up 为 (4096, 7168)，Down 为 (7168, 2048)；
* `b_col_major`布局是 `[expert, n, k]`，不是 `[expert, k, n]`
* `b_col_major`布局是 `[expert, n, k]`，不是 `[expert, k, n]`；
* `expert_ids`每 128 行一个 tile：`expert(r) = expert_ids[r // 128]`
* `expert_ids`每 128 行一个 tile：`expert(r) = expert_ids[r // 128]`；
* `a`和 `scale_a`已按 routed row 展开，直接用 `a[r, :]`和 `scale_a[r]`即可
* `a`和 `scale_a`已按 routed row 展开，直接用 `a[r, :]`和 `scale_a[r]`即可。
4. 找到正确性要求中的评测口径，确认精度要求：
* 容差：`rtol=2e-2, atol=5e-3`
* 容差：`rtol=2e-2, atol=5e-3`；
* 通过率：`matched_ratio >= 0.99`（至少 99% 的元素在容差范围内）
* 通过率：`matched_ratio >= 0.99`（至少 99% 的元素在容差范围内）。
#### Step 9：提交 OJ 冒烟代码
@ -590,13 +585,13 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
**项目目标：**基于 KernelSwift 智能算子迁移系统，对 Fused MoE 算子进行在线自动调优。通过输入算子的 PyTorch 代码，一键生成适配沐曦硬件的高性能实现，高效完成算子优化与全流程追踪。
### 步骤1：复用算子广场的Fused MoE 算子进行二次优化
### Step 1：复用算子广场的Fused MoE 算子进行二次优化
**目标：**通过提交算子广场的 fused\_moe 算子代码发起自动优化流程，实现二次优化
**目标：**通过提交算子广场的 fused\_moe 算子代码发起自动优化流程，实现二次优化。
**操作：**
1. 进入算子广场：点击左侧导航栏 【算子广场】，进入算子列表页
1. 进入算子广场：点击左侧导航栏 【算子广场】，进入算子列表页。
搜索 fused\_moe 算子，复制 `input_code.py` 代码，也可直接复制以下代码：
@ -686,13 +681,13 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
4. 配置优化参数
* 指定任务名称：支持字母、下划线、数字组合，示例：fused\_moe\_01
* 指定任务名称：支持字母、下划线、数字组合，示例：fused\_moe\_01；
* 选择适配硬件：算子需要适配的目标硬件厂商及型号，建议：沐曦
* 选择适配硬件：算子需要适配的目标硬件厂商及型号，建议：沐曦；
* 最大演化轮次：优化算法迭代次数，取值范围40-400，建议默认40，复杂算法可提高至100+
* 最大演化轮次：优化算法迭代次数，取值范围40-400，建议默认40，复杂算法可提高至100+。
5. 提交优化任务：点击右下角 \[优化\] 按钮，系统将提交任务并进入 \[生成中\] 状态
5. 提交优化任务：点击右下角 \[优化\] 按钮，系统将提交任务并进入 \[生成中\] 状态。
[![image10](https://origin.picgo.net/2026/07/08/image104518c1478f7e1480.png)](https://www.picgo.net/image/image10.4t3kId)
@ -701,50 +696,50 @@ bash scripts/run_fused_moe_i8_tn_benchmark.sh --backend all --warmup 5 --iters 2
[![image11](https://origin.picgo.net/2026/07/08/image11c3f34a9e4cdeee1d.png)](https://www.picgo.net/image/image11.4t3oBA)
### 步骤2：任务查看与结果管理
### Step 2：任务查看与结果管理
**目标：**在新建优化任务后可追踪任务进度，获取优化结果
**目标：**在新建优化任务后可追踪任务进度，获取优化结果。
**操作：**
1. 查看任务列表：点击左侧【任务查看】，可看到所有提交的优化任务
1. 查看任务列表：点击左侧【任务查看】，可看到所有提交的优化任务。
* 任务状态：排队中、环境初始化、算子预编译、精度验证、性能调优、已完成、失败
* 任务状态：排队中、环境初始化、算子预编译、精度验证、性能调优、已完成、失败；
* 任务信息：任务名称、进度、创建时间、适配硬件
* 任务信息：任务名称、进度、创建时间、适配硬件；
* 操作按钮：查看详情、删除任务
* 操作按钮：查看详情、删除任务。
[![image12](https://origin.picgo.net/2026/07/08/image12a7e6d1974c959f46.png)](https://www.picgo.net/image/image12.4t3yRb)
2. 追踪任务进度：当前任务状态为【运行中】时，点击任务列表中的【查看详情】按钮，追踪任务进度：
* 左侧：原始算子代码（输入的 `input_code.py`）
* 左侧：原始算子代码（输入的 `input_code.py`）；
* 右侧：任务进度条，包含以下阶段：
1. 环境初始化：准备目标硬件编译环境
1. 环境初始化：准备目标硬件编译环境；
2. 算子预编译：验证算子代码是可正常编译
2. 算子预编译：验证算子代码是可正常编译；
3. 精度验证：验证优化后算子输出与原始算子误差的可接受范围
3. 精度验证：验证优化后算子输出与原始算子误差的可接受范围；
4. 性能调优：按设定的演化轮次迭代优化算子性能
4. 性能调优：按设定的演化轮次迭代优化算子性能。
* 顶部：任务名称、创建/更新时间、适配硬件、当前轮次进度
* 顶部：任务名称、创建/更新时间、适配硬件、当前轮次进度。
[![image13](https://origin.picgo.net/2026/07/08/image135139ee888269c634.png)](https://www.picgo.net/image/image13.4t3ULc)
3. 获取优化结果：当前任务状态为【已完成】时，可在详情页查看优化结果：
* 优化后算子代码支持一键复制
* 优化后算子代码支持一键复制；
* 算子加速比（基准耗时 / 优化后耗时）、性能数据（如延迟、吞吐量）
* 算子加速比（基准耗时 / 优化后耗时）、性能数据（如延迟、吞吐量）；
* 可点击【Diff 对比】查看优化前后代码差异，理解性能提升逻辑
* 可点击【Diff 对比】查看优化前后代码差异，理解性能提升逻辑。
[![image14](https://origin.picgo.net/2026/07/08/image146e8eabca7978f627.png)](https://www.picgo.net/image/image14.4t3bsy)