函数：set_attr_data_type

函数：destroy_handle

C函数原型	**void aclopDestroyHandle(**aclopHandle *handle)
Python函数	acl.op.destroy_handle(handle)
函数功能	销毁一个执行算子的handle，同步接口。
输入说明	handle：int，待销毁的acl的算子Handle的地址对象。
返回值说明	无
约束说明	销毁类接口：调用该接口后，不能继续使用已释放或销毁的资源，建议调用该接口后，将相关资源设置为无效值（例如，置为0或None)。

父主题： 算子加载与执行（op）

函数：infer_shape

C函数原型	aclError aclopInferShape(const char *opType, int numInputs, aclTensorDesc *inputDesc[], aclDataBuffer *inputs[], int numOutputs, aclTensorDesc *outputDesc[], aclopAttr *attr)
Python函数	ret = acl.op.infer_shape(op_type, in_desc_list, in_list, num_outputs, out_desc_list, attr)
函数功能	根据算子的输入Shape、输入值推导出算子的输出Shape。
输入说明	op_type：int，指定算子类型名称。 in_desc_list：list，算子输入tensor的描述。需提前调用create_tensor_desc接口创建aclTensorDesc类型 in_list：list，算子输入tensor。 此处算子输入tensor数据的内存必须根据应用运行模式来确定，应用运行在Host时，此处需申请Host上的内存。应用运行在Device时，此处需申请Device上的内存。内存申请接口请参见内存管理。此处需申请Device上的内存。内存申请接口请参见内存管理。 num_outputs：int，算子输出tensor的数量。 attr：int，算子的属性地址对象。
输出说明	out_desc_list：list，算子输出tensor的描述。需提前调用create_tensor_desc接口创建aclTensorDesc类型。out_desc_list数组中的元素个数必须与num_outputs参数值保持一致。
返回值说明	ret：int，错误码。 - 返回0表示成功。 - 返回其它值表示失败。
约束说明	- 推导算子的输出Shape包含三种场景： - 根据Shape推导，可以得到算子的准确输出Shape，则返回准确输出Shape。 - 根据Shape推导，无法得到算子的准确输出Shape，但可以得到输出Shape的范围，则在输出参数outputDesc中将算子输出tensor描述中的动态维度的维度值记为-1。该场景下，用户可调用get_tensor_desc_dim_range接口获取tensor描述中指定维度的范围值。 - （该场景预留）根据Shape推导，无法得到算子的准确输出Shape以及Shape范围，则在输出参数outputDesc中将算子输出tensor描述中的动态维度的维度值记为-2。 - 如果算子有动态输入或动态输出，在调用acl.op.infer_shape接口推导算子的输出Shape前，需先调用set_tensor_desc_name接口设置所有输入和输出的tensor描述的名称，且名称必须按照如下要求（算子IR原型中定义的输入/输出名称请参见《算子清单》。） - 对于必选输入、可选输入、必选输出，名称必须与算子IR原型中定义的输入/输出名称保持一致。 - 对于动态输入、动态输出，名称必须是：算子IR原型中定义的输入/输出名称+编号。编号根据动态输入/输出的个数确定，从0开始，0对应第一个动态输入/输出，1对应第二个动态输入/输出，以此类推。 例如某个算子有2个输入（第1个是必选输入x，第二个是动态输入y且输入个数为2）、1个必选输出z，则调用set_tensor_desc_name接口设置名称的代码示例如下： text<br> acl.set_tensor_desc_name(input_tensor_desc[0], "x");<br> acl.set_tensor_desc_name(input_tensor_desc[1], "y0");<br> acl.set_tensor_desc_name(input_tensor_desc[2], "y1");<br> acl.set_tensor_desc_name(input_tensor_desc[0], "z");<br>

父主题： 算子加载与执行（op）

函数：set_attr_data_type

C函数原型	aclError **aclopSetAttrDataType(**aclopAttr *attr, const char *attrName, aclDataType attrValue)
Python函数	attr, ret = acl.op.set_attr_data_type**(**attr, attr_name, attr_value)
函数功能	设置指定属性的数据类型。同步接口。
输入说明	attr_name：str，属性名。 attr_value：int，属性值。
返回值说明	attr：aclopAttr类型的指针地址。需提前调用acl.op.create_attr接口创建aclopAttr类型。 ret：int，错误码。 - 返回0表示成功。 - 返回其它值表示失败。
约束说明	无

父主题： 算子加载与执行（op）

函数：set_attr_list_data_type

C函数原型	aclError **aclopSetAttrListDataType(**aclopAttr *attr, const char *attrName, int numValues, const aclDataType values[])
Python函数	attr, ret = acl.op.set_attr_list_data_type**(**attr, attr_name, values)
函数功能	设置指定属性列表的数据类型。同步接口。
输入说明	attr_name：str，属性名。 values：list，属性值的列表。
返回值说明	attr：aclopAttr类型的指针地址。需提前调用acl.op.create_attr接口创建aclopAttr类型。 ret：int，错误码。 - 返回0表示成功。 - 返回其它值表示失败。
约束说明	无

父主题： 算子加载与执行（op）

关于A、B、C矩阵的Shape及内存大小计算公式

• A、B、C矩阵是否转置的标记如果设置为ACL_TRANS_N或ACL_TRANS_T，则用户在申请内存存放A、B、C矩阵数据时，实际申请的内存要和实际数据大小匹配，Shape及内存大小的计算公式如下：

  • A矩阵：shape = (m, k)；内存大小 = m * k * acl.data_type_size(data_type_a)
  • B矩阵：shape = (k, n)；内存大小 = k * n * acl.data_type_size(data_type_b)
  • C矩阵：shape = (m, n)；内存大小 = m * n * acl.data_type_size(data_type_c)

• A、B、C矩阵是否转置的标记如果设置为ACL_TRANS_NZ，表示采用内部数据格式，矩阵Shape为4维，Shape及内存大小的计算公式如下（假设m,k,n分别为原始轴）：

  • 当矩阵A和矩阵B中数据的类型为aclFloat16，在计算实际内存大小时，m、k、n均按16对齐向上取整计算：
    • A矩阵：shape = (⌈k/16⌉, ⌈m/16⌉, 16, 16)；内存大小 = ⌈m/16⌉ * 16 * ⌈k/16⌉ * 16 * acl.data_type_size(data_type_a)
    • B矩阵：shape = (⌈n/16⌉, ⌈k/16⌉, 16, 16)；内存大小 = ⌈k/16⌉ * 16 * ⌈n/16⌉ * 16 * acl.data_type_size(data_type_b)
    • C矩阵：shape = (⌈n/16⌉, ⌈m/16⌉, 16, 16)；内存大小 = ⌈m/16⌉ * 16 * ⌈n/16⌉ * 16 * acl.data_type_size(data_type_c)
  • 当矩阵A和矩阵B中数据的类型为int8_t，在计算实际内存大小时，reduce轴按32对齐向上取整计算，非reduce轴按16对齐向上取整计算：
    • A矩阵：shape = (⌈k/32⌉, ⌈m/16⌉, 16, 32)；内存大小 = ⌈m/16⌉ * 16 * ⌈k/32⌉ * 32 * acl.data_type_size(data_type_a)
    • B矩阵：shape = (⌈k/32⌉, ⌈n/16⌉, 32, 16)；内存大小 = ⌈k/32⌉ * 32 * ⌈n/16⌉ * 16 * acl.data_type_size(data_type_b)
    • C矩阵：shape = (⌈n/16⌉, ⌈m/16⌉, 16, 16)；内存大小 = ⌈m/16⌉ * 16 * ⌈n/16⌉ * 16 * acl.data_type_size(data_type_c)

  :::note 说明 ⌈ ⌉表示向上对齐。 :::

父主题： CBLAS接口（blas）

函数：gemv_ex

C函数原型	aclError aclblasGemvEx(aclTransType transA, int m, int n, const void *alpha, const void *a, int lda, aclDataType dataTypeA, const void *x, int incx, aclDataType dataTypeX, const void *beta, void *y, int incy, aclDataType dataTypeY, aclComputeType type, aclrtStream stream);
Python函数	ret = acl.blas.gemv_ex(trans_a, m, n,alpha, a, lda, data_type_a, x, incx, data_type_x, beta, y, incy, data_type_y, type, stream )
函数功能	执行矩阵-向量的乘法，y = αAx + βy，输入数据、输出数据的数据类型通过入参设置，异步接口。
输入说明	trans_a：int，矩阵A是否转置的标记。 m：int，矩阵A的行数，存储矩阵乘数据时，行优先。 n：int，矩阵A的列数。 alpha：int， 用于执行乘操作的标量alpha数据指针地址。 a：int，矩阵A的数据指针地址。 lda：int，A矩阵的主位，此时选择转置，按行优先，则lda为A的列数。 data_type_a：int，矩阵A的数据类型。 x：int，向量x的数据指针地址。 incx：int，x连续元素之间的步长。 data_type_x：int，向量x的数据类型。 beta：int，用于执行乘操作的标量beta的数据指针地址。 y：int，向量y的数据指针地址。 incy：int，y连续元素之间的步长。 data_type_y：int，向量y的数据类型。 type：int，计算精度。 stream：int，执行算子所在的Stream。
返回值说明	ret：int，错误码。 - 返回0表示成功。 - 返回其它值表示失败。
约束说明	A、x、y的数据类型支持仅支持以下组合， α和β的数据类型与y一致。 A的数据类型 x的数据类型 y的数据类型 aclFloat16 aclFloat16 aclFloat16 aclFloat16 aclFloat16 float(float32) int8_t int8_t float(float32) int8_t int8_t int32_t
参考资源	接口调用流程，参见接口调用流程。

父主题： CBLAS接口（blas）

在线提单