[XILINX-ACAP] 矩阵乘法Multicore

上一篇扒了single-core的实现，这篇记录一些扩展到多核的思路。

1. 单个AIE core

对于单核，这里假设矩阵乘计算的输入输出为A[m*k] x B [k*n] = C[m*n]

2. 扩展成一条chain：级联

k的维度是需要乘累加起来的，假设k为2048，分到2个核上，每个核就只需要各自reduce 1024，如果分到4个核上，各自reduce 512.

这里有两种思路将单核扩展成一条chain：

2.1 前核不做中间结果暂存

如上图，需要更新单core的kernel，衍生出三种类型的kernel(a核，bcd核，acc核)：

链首的core只需要将结果写入本地data memory改为推给下一个core。链中间的核就是“接->算->发”。

 1 ///////////////////////////////////////////////////////////////////////////////////////
 2 //Mul_head_kernel
 3 for (unsigned int i=0;i<F_Ra/2;i++) {
 4      FPMUL;
 5      FPMAC(1,9);  FPMAC(2,10);  FPMAC(3,11); FPMAC(4,12); 
 6      FPMAC(5,13); FPMAC(6,14); FPMAC(7,15); 
 7 
 8      buf_matA = window_readincr_v16(matA); // reads the next 2 rows of A
 9      window_decr_v8(matB,8); // reset B pointer
10      
11      put_mcd(acc1);  // 不写入本核的data memory，直接走cascade 推给下一个core
12      put_mcd(acc2);
13    }
14 
15 ///////////////////////////////////////////////////////////////////////////////////////
16 //Mul_middle_kernel
17 for (unsigned int i=0;i<F_Ra/2;i++) {
18      acc1 = get_scd();  // 用前核cascade 的值初始化acc
19      acc2 = get_scd();
20 
21      FPMAC(0,8);  //替换掉FPMUL;
22      FPMAC(1,9);  FPMAC(2,10);  FPMAC(3,11); FPMAC(4,12); 
23      FPMAC(5,13); FPMAC(6,14); FPMAC(7,15); 
24 
25      buf_matA = window_readincr_v16(matA); // reads the next 2 rows of A 
26      window_decr_v8(matB,8); // reset B pointer  
27      
28      put_mcd(acc1); // 不写入本核的data memory，直接走cascade 推给下一个core  
29      put_mcd(acc2); 
30 }

链尾的核就不做Mul了，只切ping-pong做累加。需要一个counter参数标识该core转几次往外出数。例如前核每个核在k维度的reduce能力是8，那4个核一次就是reduce 32。

如果k = 32，那正好counter = 1， Acc 核接到cascade来的数直接存到输出窗口让DMA搬走。

如果k = 64，那counter = 2， Acc核要work两次，it_0: 接->存Ping, it_1: (接+Ping)-> 输出窗口

如果k = 96, counter = 3, Acc核3次，it_0: 接->存Ping, it_1: (接+Ping)-> 存Pong, it_2: (接+Pong)-> 输出窗口

以此类推。

2.2 前核做中间结果暂存

如上图，也是需要三种类型的kernel(链首，链中，链尾)，区别于2.1 的chain，链前部的核不是傻乎乎做相同的计算，而是要知道自己算到哪一部分了，将结果写到自己data memory还是推到cascade 上。

 1 ///////////////////////////////////////////////////////////////////////////////////////
 2 //Mul_A_kernel
 3 switch(path){
 4      case IN2CASC: // 算->推 cascade
 5      case IN2DM: // 算->存  datamemory
 6      case INaDM2DM: //取部分和->算->存
 7      case INaDM2CASC: ////取部分和->算->推
 8 }
 9 
10 ///////////////////////////////////////////////////////////////////////////////////////
11 //Mul_BC_kernel
12 switch(path){
13      case CASCaIN2CASC: // 接->算->推 cascade
14      case CASCaIN2DM: // 接->算->存  datamemory
15      case CASCaINaDM2DM: //接+部分和->算->存
16      case CASCaINaDM2CASC: ////接+部分和->算->推
17 }
18 
19 ///////////////////////////////////////////////////////////////////////////////////////
20 //Mul_D_kernel
21 switch(path){
22      case CASCaIN2OUT: // 接->算->推 cascade
23      case CASCaIN2DM: // 接->算->存  datamemory
24      case CASCaINaDM2DM: //接+部分和->算->存
25      case CASCaINaDM2OUT: ////接+部分和->算->存结果
26 }

单核k做8的reduce，4核reduce 32。对于不同的k, 各核的path如下：

k	MulA	MulB	MulC	MulD
32	it_0: IN2CASC	CASCaIN2CASC	CASCaIN2CASC	CASCaIN2OUT
64	it_0: IN2DM it_1: INaDM2CASC	CASCaIN2DM CASCaINaDM2CASC	CASCaIN2DM CASCaINaDM2CASC	CASCaIN2DM CASCaINaDM2OUT
96	it_0: IN2CASC it_1: INaDM2DM it_2: INaDM2CASC	CASCaIN2DM CASCaINaDM2DM CASCaINaDM2CASC	CASCaIN2DM CASCaINaDM2DM CASCaINaDM2CASC	CASCaIN2DM CASCaINaDM2DM CASCaINaDM2OUT

3. 扩展成多条chain

一条chain是横着布局，那相对于某一列来看，该chain对stream口的需求是两个口子(1个A和1个B), AIE array 上能放8行就是8条chain，那单列来看，对stream口的需求是16(2*8), 不好意思，硬件上没有这么多stream连接，上行(South->North)只有6，下行(North->South)为4。那就只能广播了，以下是一种广播思路：

4. 一个32 cores的矩阵乘

按2.2的kernel code，第3节的广播方式，32 个cores能放下8条chain，处理能力如下：

struct	M	N	K
one core	M	8	8
one chain(4cores)	--	--	x4
two chains(8cores)	--	x2	--
eight chains(32cores)	x4	--	--
overall	4*M	16	32

显然的，第3节中可以将A/B 对调，也就是1播2的stream用来传A, 1播4 的线来传B, 32cores 的处理能力就是[2*M] x [32] x [32]。

posted on 2021-12-06 11:56 chaob 阅读(349) 评论(0) 编辑收藏举报