external-cannbot-ops-aiss-tiling-solver

name	external-cannbot-ops-aiss-tiling-solver
description	使用 AISS-TilingSolver 工具自动求解 Ascend C 算子（MatMul / Vector）的最优 Tiling 参数，包括下载安装、构造 JSON 输入、运行求解、结果解读与故障排查。触发：当用户使用 TilingSolver 工具求解时。
original-name	aiss-tiling-solver
synced-from	https://gitcode.com/cann/cannbot-skills
synced-date	2026-05-26
synced-commit	ac5bbd2b4cf427d011874e11f8d1e8b1bef66eda
license	UNKNOWN

AISS-TilingSolver

指导用户使用 AISS-TilingSolver CLI 工具，为 Ascend C 算子自动求解最优 tiling 参数。

核心原则：引导用户使用 TilingSolver CLI 工具。不要自己手动计算 tiling、不要给通用的 GPU tiling 建议。唯一的任务就是帮用户正确调用工具并解读工具的输出。

获取工具

# aarch64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/tiling_solver_aarch64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/platform_info_aarch64
mv tiling_solver_aarch64 tiling_solver
mv platform_info_aarch64 platform_info

# x86_64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/tiling_solver_x86_64
curl -LO https://gitcode.com/HIT1920/TilingSolver/releases/download/latest/platform_info_x86_64
mv tiling_solver_x86_64 tiling_solver
mv platform_info_x86_64 platform_info

chmod +x tiling_solver platform_info

• tiling_solver — tiling 参数求解器（aarch64 / x86_64）
• platform_info — 硬件平台信息采集工具（aarch64 / x86_64）
• platform_info — 硬件平台信息采集工具

环境要求：aarch64 或 x86_64 架构，glibc ≥ 2.38。

完整使用流程

第一步：采集硬件平台参数

./platform_info

输出包含核心数、各级缓存容量、带宽等信息。

第二步：构造输入 JSON

将第一步采集到的硬件参数填入 JSON，作为自定义平台参数。同时填入算子形状和数据类型。

第三步：运行求解

./tiling_solver input.json

输出为 JSON，包含最优 tiling 参数。

算子类型

MatMul（矩阵乘法）

{
  "type": "matmul",
  "M": 1024,
  "N": 640,
  "K": 256,
  "a_dtype": "float16",
  "b_dtype": "float16",
  "c_dtype": "float32",
  "has_bias": false,
  "aic_core_num": 20,
  "aiv_core_num": 40,
  "L0A_SIZE": 65536,
  "L0B_SIZE": 65536,
  "L0C_SIZE": 131072,
  "L1_SIZE": 524032,
  "UB_SIZE": 196352,
  "L2_SIZE": 176160768,
  "HBM_SIZE": 34359738368,
  "BT_SIZE": 1024,
  "FP_SIZE": 2048,
  "L0A_ALIGN": 512,
  "L0B_ALIGN": 512,
  "L0C_ALIGN": 64,
  "UB_ALIGN": 32,
  "FRACTAL_DIM": 16,
  "DATABLOCK_SIZE": 32,
  "L2_BW": 110,
  "HBM_BW": 32,
  "L1_TO_L0_BW": 64,
  "FIXPIPE_BW": 64,
  "GM_TRANSFER_GRANULARITY": 512,
  "MIN_TRANSFER_FOR_PEAK_BW": 16384,
  "CUBE_OPS_PER_CYCLE": 4096,
  "optimize": true,
  "timeout_ms": 10000
}

必填字段：type, M, N, K。其他有默认值。硬件参数从 platform_info 获取后填入。

输出字段：base_m, base_n, base_k（内层循环切块），single_core_m, single_core_n（每个核的 M/N 范围），step_ka, step_kb（K 方向 L1 缓冲步长），depth_a1, depth_b1（L1 缓冲深度），db_l0a, db_l0b, db_l0c（L0 双缓冲，1 或 2），iterate_order（0=M 优先，1=N 优先），solve_time_ms, status。

Vector（逐元素算子，如 Add / LeakyReLU）

{
  "type": "vector",
  "total_length": 16384,
  "dtype": "float16",
  "num_inputs": 2,
  "num_outputs": 1,
  "temp_buf_dtypes": ["float32"],
  "UB_SIZE": 196352,
  "aiv_core_num": 40,
  "optimize": true
}

必填字段：type, total_length。其他有默认值。同样建议从 platform_info 获取硬件参数。

输出字段：block_dim（AI Core 核数），tile_num（每核 tile 数），buf_num（缓冲数），tile_length（每 tile 元素数），solve_time_ms, status。

可选参数

参数	类型	默认值	说明
optimize	bool	true	是否用 cost model 搜索最优解
timeout_ms	int	10000	Z3 求解超时时间（毫秒）

支持的数据类型：float16, float32, bfloat16, int8, int16, int32, int64, uint8, uint16, uint32, uint64, bool。也支持别名 fp16, fp32, bf16, i8, i16, i32, i64, u8, u16, u32, u64, half, float, double。

结果解读

• status: "ok" — 求解成功，参数可直接应用于算子实现
• status: "unsat" — 约束不可满足，当前 shape/dtype 在此硬件上无可行解
• status: "timeout" — Z3 求解超时，可尝试增大 timeout_ms 或关闭 optimize
• status: "error" — 输入参数非法或内部异常

故障排查

• "cannot execute binary file" — 下载了错误架构的二进制，确认用 uname -m 查看平台（aarch64 / x86_64），下载对应版本
• "GLIBC_2.38 not found" — glibc 版本过旧，升级系统或使用容器
• 返回 unsat — 尝试缩小维度确认是否有可行解，再逐步放大
• 返回 timeout — 增大 timeout_ms（如 30000），或设 "optimize": false 获取可行解

协助用户

1. 未提供算子类型和维度时，主动询问
2. 建议用户先运行 platform_info 获取硬件参数
3. 将 platform_info 输出整合到 tiling JSON 中
4. 构造完整 JSON 文件并运行 tiling_solver
5. 解读输出，解释每个字段对算子性能的影响
6. 报错时根据 status 诊断并给出修复建议