1.微认证题目：

参考tensorflow的Sinh算子，实现Ascend C算子Sinh,算子命名为SinhCustom，并完成aclnn算子调用相关算法: sinh(x) = (exp(x) - exp(-x)) / 2.0
要求:
1、完成host侧和kernel侧代码实现。
2、实现sinh功能，支持float16类型输入，使用内核调试符方式调用算子测试通过。
3、使用单算子API调用方式调用SinhCustom算子测试通过
提交要求:
完成编程后，将上述实现的工程代码打包在rar包内提交，如SinhCustom.rar.

2.环境准备

我是在华为云ModelArts西南贵阳一创建的Notebook，镜像为：

mindspore_2.2.0-cann_7.0.1-py_3.9-euler_2.10.7-aarch64-snt9b

3.算子分析

算子分析的流程图如下：

对应题目，本题主要解决的是核函数代码，Kernel侧代码、Host侧代码，单算子调用时的代码。
Sinh算子的数学表达式为：sinh(x) = (exp(x) - exp(-x)) / 2.0
算子分析表格为:

整个算子分析计算过程分为三个阶段：CopyIn,Compute,CopyOut
CopyIn:搬入x到Local内存
Compute:使用Local内存进行计算
CopyOut:搬运Local计算结果到z

4.算子开发

可以参考samples仓库的Add算子，把Add算子的内核调用代码复制一份到SinhCustom

cp -r samples/operator/AddCustomSample/KernelLaunch/AddKernelInvocation/* samples/SinhCustomSample/KernelLaunch/SinhKernelInvocation

4.1核函数开发

首先修改最重要的sinh_custom.cpp
进行核函数的定义，并在核函数中调用算子类的Init和Process函数。

使用__global__函数类型限定符来标识它是一个核函数，可以被<<<…>>>调用；使用__aicore__函数类型限定符来标识该核函数在设备端AI Core上执行。
根据矢量编程范式实现算子类

基于矢量编程范式，将核函数的实现分为3个基本任务：CopyIn，Compute，CopyOut。Process函数中通过如下方式调用这三个函数。

CopyIn函数实现

Compute函数实现

Exp(xLocal, xLocal, TILE_LENGTH);：对从输入队列取出的本地张量 xLocal 进行指数运算（Exponential）。这用于计算 e^x，其中 x 是 xLocal 中的元素。TILE_LENGTH 是可能是一个常量，表示操作的长度。
Reciprocal(zLocal, xLocal, TILE_LENGTH);：计算 1/xLocal 的倒数，并将结果存储在 zLocal 中。
Muls(zLocal, zLocal, scalar, TILE_LENGTH);：将 zLocal 中的每个元素乘以标量 scalar，并将结果存储回 zLocal。

CopyOut函数实现

4.2核函数运行验证

CPU模式下执行如下命令

bash run.sh ascend910 cpu

运行结果如下：


可以看到真实值和期望值相差很小，基本没有误差。
NPU模式下执行如下命令：

bash run.sh ascend910 npu_onboard

这里报了一个aclError,不知道是不是硬件问题。

4.3创建算子工程

CANN软件包中提供了工程创建工具msopgen，我们可以输入算子原型定义文件生成Ascend C算子开发工程。
编写Sinh_Custom算子的原型定义json文件,如下：

[
{
    "op": "SinhCustom",
    "language": "cpp",
    "input_desc": [
        {
            "name": "x",
            "param_type": "required",
            "format": [
                "ND"
            ],
            "type": [
                "fp16"
            ]
        }
    ],
    "output_desc": [
        {
            "name": "z",
            "param_type": "required",
            "format": [
                "ND"
            ],
            "type": [
                "fp16"
            ]
        }
    ]
}

然后使用以下命令生成算子文件夹：

/usr/local/Ascend/ascend-toolkit/latest/python/site-packages/bin/msopgen gen -i /home/ma-user/work/samples/sinh_custom.json -c ai_core-Ascend910B2  -lan cpp -out /home/ma-user/work/samples/SinhCustom

生成的SinhCustom算子文件夹如下：

build_out文件夹是后面编译部署生成的，这里我们主要要修改的文件有：CMakePresets.json，op_host目录下的sinh_custom_tiling.h、sinh_custom.cpp、op_kernel目录下的sinh_custom.cpp。
下面分别展开:

4.4 op_kernel侧实现

Init()方法实现

可以先把Add_custom算子的kernel侧实现代码复制过来，然后在此基础上进行修改，首先是KernelSinh类的初始化代码，题目有一个输入，一个输出，修改如下：

CopyIn()方法实现

Compute()方法实现

Compute()函数是算子开发的核心,根据题目sinh(x) = (exp(x) - exp(-x)) / 2.0
Exp(xLocal, xLocal, TILE_LENGTH);：对从输入队列取出的本地张量 xLocal 进行指数运算（Exponential）。这用于计算 e^x，其中 x 是 xLocal 中的元素。TILE_LENGTH 是可能是一个常量，表示操作的长度。
Reciprocal(zLocal, xLocal, TILE_LENGTH);：计算 1/xLocal 的倒数，并将结果存储在 zLocal 中。

Compute()函数代码如下：

这里用到了Muls()方法用于矢量中每个元素与标量求积

CopyOut()方法实现

4.5 op_host侧实现

sinh_custom_tiling.h文件实现

这个文件要修改的地方是TilingData结构定义头文件的编写

sinh_custom.cpp文件实现

该文件是Tiling函数实现代码，主要修改算子原型注册代码，如下

5.算子工程编译和部署

算子kernel侧和host侧代码实现了之后，需要对算子工程进行编译，生成自定义算子安装包*.run
编译之前要修改CMakePresets.json文件下的ASCEND_CANN_PACKAGE_PATH变量，修改成你实际的CANN安装路径，我的修改如下:

修改好之后，切换到SinhCustom目录下，执行以下命令：
./build.sh
编译成功截图如下：

此时会生成一个build_out文件夹，里面有一个文件custom_opp_euleros_aarch64.run，使用以下命令部署
./custom_opp_euleros_aarch64.run

看到SUCCESS代表算子部署成功

6.使用aclnn方式调用

把AddCustom算子的AclNNInvocation文件夹复制一遍，目录位于samples/operator/AddCustomSample / FrameworkLaunch/AclNNInvocation，目录结构如下：

需要修改的文件有scripts文件下的gen_data.py，src文件下的main.cpp，op_runner.cpp

gen_data.py修改

main.cpp修改

要修改输入输出文件的位置

op_runner.cpp修改

要修改调用的算子名称，以及引入aclnn_sinh_custom.h头文件

修改完上述文件之后，就可以使用ACLNN的方式调用验证算子，进入AclNNInvocation文件夹，运行以下命令
bash run.sh
打印如下图，则代表测试通过!

可以看到真实结果和预期结果非常接近。误差很小。