Menu
Por padrão, está selecionado o prompt que primeiro revisa a origem. Você pode mudar para um comando direto ou baixar uma cópia local.
Leia o SKILL.md e os arquivos complementares exibidos pelo SkillsMP antes de decidir se vai instalar.
Instalar com Codex ou Claude Copie este prompt, cole no Codex, Claude ou outro assistente e deixe que ele revise a página da skill e instale para você.
Um comando direto ignora o prompt de revisão. Verifique a origem antes de executá-lo.
npx skills add https://github.com/mindspore-ai/akg --skill triton-ascendO comando permanece em uma só linha. Role horizontalmente para revisá-lo antes de copiar.
Prefere uma cópia local? Baixe os arquivos disponíveis atualmente no 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.
Baseado na classificação ocupacional SOC
Exibindo SKILL.md
| name | triton-ascend |
| description | Triton Ascend NPU编程指南，包含核心概念、标准模式和完整示例 |
| category | dsl |
| version | 1.0.0 |
| license | MIT |
| metadata | {"backend":"ascend","dsl":"triton_ascend","hardware":"Atlas A2, Atlas A3","framework":"torch, mindspore"} |
基于 AKG Agents resources/docs/triton_ascend_docs
@triton.jit 装饰的Python函数grid_size = ceil(total_elements / block_size)@triton.jit
def standard_kernel(output_ptr, input_ptr, n_elements, BLOCK_SIZE: tl.constexpr):
# 1. 获取程序ID和计算偏移
pid = tl.program_id(0)
offsets = pid * BLOCK_SIZE + tl.arange(0, BLOCK_SIZE)
# 2. 创建边界掩码
mask = offsets < n_elements
# 3. 加载数据
data = tl.load(input_ptr + offsets, mask=mask)
# 4. 执行计算
result = compute_function(data)
# 5. 存储结果
tl.store(output_ptr + offsets, result, mask=mask)
适用于元素级运算。
适用于聚合操作。
使用分块策略。
参考: python/akg_agents/op/resources/docs/triton_ascend_docs/examples/