القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/mindspore-ai/akg --skill cuda-c-apiيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
矩阵乘法矩阵乘法 A[M, K] @ B[K, N] = C[M, N]中，大K维度矩阵乘法(K>>M,N)优化：针对M/N较小但K极大(如M=N=256,K=131072)的场景，Split-K切分K维度并行化、Workspace+Reduce替代全局同步，实现显著性能提升
Triton Ascend hard API restrictions and forbidden syntax. MUST-follow rules that apply to every kernel: forbidden control flow (return/break/continue/lambda/while), tensor slice/index restrictions, scalar conversion rules, BLOCK_SIZE upper bound. Violating any of these produces a compile or runtime error on Ascend.
Triton Ascend 性能优化通用策略: BLOCK_SIZE 选择 (1024-2048 for elementwise, must be <65536), grid configuration (use VEC_CORE_NUM / CUBE_CORE_NUM, 2D/3D grid for matmul / conv / reduce, 1D grid + inner loop for elementwise / pointwise), 256B alignment for memory transfers, autotune block-size patterns, fp16 / fp32 precision conversion. Bind via keywords like matmul, elementwise, reduce, block_size, grid, autotune, alignment, fp16, fp32, tile, interleaved-loop, cube-core, vec-core.
استنادا إلى تصنيف SOC المهني
عرض SKILL.md
| name | cuda-c-api |
| description | CUDA C 编程接口完整参考手册 |
| category | fundamental |
| version | 1.0.0 |
| metadata | {"backend":"cuda","dsl":"cuda_c"} |
本文档提供 CUDA C 核心编程接口的详细参考，包括函数签名、参数说明和使用示例。
__global__ void kernel_function(参数列表);
<<<>>> 语法启动void__device__ float device_function(参数列表);
__device__ 或 __global__ 函数调用__host__ void host_function(参数列表);
__host__ __device__ float utility_function(float x);
__shared__ float shared_memory[256];
__constant__ float constant_data[64];
cudaMemcpyToSymbol 从主机端设置extern __shared__ float dynamic_shared[];
kernel<<<grid, block, shared_mem_bytes>>>(args)kernel_name<<<grid_size, block_size>>>(参数列表);
kernel_name<<<grid_size, block_size, shared_mem_bytes>>>(参数列表);
kernel_name<<<grid_size, block_size, shared_mem_bytes, stream>>>(参数列表);
int 或 dim3）int 或 dim3）dim3 grid_size(blocks_x, blocks_y, blocks_z);
dim3 block_size(threads_x, threads_y, threads_z);
int bx = blockIdx.x; // X 方向块索引
int by = blockIdx.y; // Y 方向块索引
int bz = blockIdx.z; // Z 方向块索引
uint3int tx = threadIdx.x; // X 方向线程索引
int ty = threadIdx.y; // Y 方向线程索引
int tz = threadIdx.z; // Z 方向线程索引
uint3int bdx = blockDim.x; // X 方向线程数
int bdy = blockDim.y; // Y 方向线程数
int bdz = blockDim.z; // Z 方向线程数
dim3int gdx = gridDim.x; // X 方向块数
int gdy = gridDim.y; // Y 方向块数
int gdz = gridDim.z; // Z 方向块数
dim3float* d_data;
cudaMalloc(&d_data, n * sizeof(float));
cudaError_t 错误状态码cudaFree(d_data);
cudaError_t 错误状态码// 主机 → 设备
cudaMemcpy(d_data, h_data, size, cudaMemcpyHostToDevice);
// 设备 → 主机
cudaMemcpy(h_data, d_data, size, cudaMemcpyDeviceToHost);
// 设备 → 设备
cudaMemcpy(d_dst, d_src, size, cudaMemcpyDeviceToDevice);
cudaError_t 错误状态码cudaMemcpyHostToDevice: H2DcudaMemcpyDeviceToHost: D2HcudaMemcpyDeviceToDevice: D2DcudaMemset(d_data, 0, n * sizeof(float));
__syncthreads();
__threadfence();
__threadfence_block();
atomicAdd(&output[0], local_sum);
int, unsigned int, float, double（Compute Capability 6.0+）atomicMax(&max_val, local_max);
atomicMin(&min_val, local_min);
int, unsigned intint old = atomicCAS(&target, expected, desired);
float old = atomicExch(&target, new_value);
float max_val = fmaxf(a, b); // 最大值
float min_val = fminf(a, b); // 最小值
float abs_val = fabsf(x); // 绝对值
float sqrt_val = sqrtf(x); // 平方根
float rsqrt_val = rsqrtf(x); // 平方根倒数
float exp_val = expf(x); // 指数
float log_val = logf(x); // 自然对数
float pow_val = powf(base, exp); // 幂运算
float ceil_val = ceilf(x); // 向上取整
float floor_val = floorf(x); // 向下取整
float fast_exp = __expf(x); // 快速指数
float fast_log = __logf(x); // 快速对数
float fast_sin = __sinf(x); // 快速正弦
float fast_cos = __cosf(x); // 快速余弦
float fast_pow = __powf(b, e); // 快速幂运算
float f = __int2float_rn(i); // int → float（最近舍入）
int i = __float2int_rn(f); // float → int（最近舍入）
// Warp 内数据交换
float val = __shfl_sync(0xFFFFFFFF, src_val, src_lane);
// Warp 内归约
float val = __shfl_down_sync(0xFFFFFFFF, src_val, offset);
// 在 CUDA 源代码中使用 PyTorch 接口
torch::Tensor my_op(torch::Tensor input) {
auto size = input.numel();
auto output = torch::zeros_like(input);
int block_size = 256;
int num_blocks = (size + block_size - 1) / block_size;
my_kernel<<<num_blocks, block_size>>>(
input.data_ptr<float>(),
output.data_ptr<float>(),
size
);
return output;
}
input.numel() // 元素总数
input.size(dim) // 指定维度大小
input.data_ptr<float>() // 获取数据指针
torch::zeros_like(input) // 创建同形状零张量
torch::empty_like(input) // 创建同形状未初始化张量
__expf 等加速__syncthreads() 同步