• 标准库
• 并发编程
• 高性能计算
• Ascend

本文带你快速上手asc-stl（Ascend C 编程标准库）中面向昇腾 NPU 的多维数据视图与张量搬运能力：通过gm_mdspan描述全局内存（GM）中的多维张量，用ub_mdspan描述片上统一缓冲（UB）数据，再借助tensor_load_async把多维数据异步地从 GM 搬到 UB，是编写高性能 Ascend C 算子的重要基础。这套接口由武汉理工大学熊盛武课题组与华为 CANN 团队联合开发，当前在 Ascend 950PR&950DT 系列产品上可用。

为什么要学多维视图与张量搬运 🚀

在昇腾 NPU 上，AI Core 的计算数据存放在片上的UB（Unified Buffer），而输入输出数据通常在GM（Global Memory）。手写搬运逻辑时，你要手动处理行偏移、步长、填充……一旦张量超过一维，代码很快就难以维护。

asc-stl 把这件事抽象成两块能力，都位于昇腾扩展接口层：

• <asc/mdspan>：非拥有多维数据视图，按地址空间细分为host_mdspan、gm_mdspan、ub_mdspan三种别名，分别对应 Host、GM 与 UB 空间；
• <asc/tensor_copy>：支持 1~5 维形状、源/目标步长与两侧填充的 GM 与 UB 异步搬运，核心函数为tensor_load_async（GM→UB）和tensor_store_async（UB→GM）。

从整体架构看，这两个头文件正好落在"多维数据视图与搬运"模块中：

gm_mdspan：给 GM 里的数据加上多维坐标 📍

gm_mdspan本质上是一个带gm_accessor访问器的 mdspan 别名，它不拥有存储，只是给一段 GM 连续内存加上"多维坐标系"，让你可以用view(i, j)的方式访问矩阵、张量，而不必自己算偏移。

• 头文件：<asc/mdspan>，源码入口 include/asc/mdspan
• 模板参数：元素类型Element、维度描述Extents、布局Layout（默认行优先）、访问器（默认gm_accessor）
• 典型用法：用extents指定各维大小后构造视图，随后用view.extent(0)、view.size()、view[i, j]等标准接口访问数据

一个最小示例（摘自官方文档，Host 侧同样可运行验证）：

#include <asc/mdspan> using view_type = asc::gm_mdspan<int, asc::std::extents<asc::std::size_t, 4>>; view_type view(values); view[2] = 35; // 按坐标访问，无需手动算偏移

完整定义与约束见 gm_mdspan.md。

ub_mdspan：以同样方式描述片上 UB 数据 🧩

ub_mdspan与gm_mdspan是"姊妹接口"，它使用ub_accessor访问 UB 数据。区别在于：

• SIMD 编程模式下：句柄保留真实 UB 地址空间（__ubuf__），可以直接访问片上缓冲；
• Host 侧：仅提供普通指针表示，不能直接访问设备物理 UB，适合做逻辑验证；
• SIMT 编程模式：不提供 UB 访问器，ub_mdspan仅面向 AI Core SIMD 编程。

这意味着同一个算子开发流程中，GM 侧输入、UB 侧工作区可以用完全一致的多维索引风格书写，代码可读性大幅提升。接口文档见 ub_mdspan.md。

tensor_load_async：GM→UB 的异步多维搬运 ⚡

tensor_load_async是按搬运描述符（tensor_copy_descriptor）把多维张量从 GM 异步加载到 UB 的函数，相比逐行copy_async，它原生支持：

三步走：描述符 → 提交 → 同步

1. 构造描述符：用 make_tensor_copy_descriptor 传入各维extents、源/目标strides和padding数组，即可得到描述搬运计划的tensor_copy_descriptor<Rank>，它还能通过required_elements()告诉你需要多大缓冲；
2. 提交异步加载：调用asc::tensor_load_async<int, Rank>(pipeline, stage, ub目标, gm源, descriptor, fill_value)，返回tensor_copy_status表示提交状态（提交成功 ≠ 搬运完成）；
3. 按流水线协议同步：重用流水级前先producer_acquire(stage)，成功提交后consumer_wait(stage)等待完成，再执行计算。

官方文档中的设备端示例（2 维、16 个整数的 GM→UB 加载）：

__aicore__ asc::tensor_copy_status example(const asc::pipeline_ref& pipeline, __ubuf__ int* destination, __gm__ const int* source) { const unsigned int extents[2] = {2, 8}; const unsigned int strides[2] = {8, 1}; const unsigned int padding[2] = {0, 0}; const auto descriptor = asc::make_tensor_copy_descriptor(extents, strides, strides, padding, padding); return asc::tensor_load_async<int, 2>(pipeline, 0, asc::ub_span<int>(destination, 16), asc::gm_span<const int>(source, 16), descriptor, 0); }

完整参数、状态码与约束见 tensor_load_async.md。

新手最易踩的 4 个坑 ⚠️

1. 32 字节对齐：GM/UB 两端地址必须落在搬运引擎的 32 字节数据块边界上，否则会返回insufficient_source/insufficient_destination；
2. stage 越界：stage必须小于流水线的级数，否则返回invalid_stage且不发起搬运；
3. 容量核算：UB 目标容量要按目标步长 + 两侧填充折算（可用descriptor.required_elements()精确计算），GM 源容量按源步长、不含填充折算；
4. 同步协议顺序：提交成功后才能consumer_wait(stage)，失败状态不能继续等待未提交的事件；完成计算后用tensor_store_async回写或按协议consumer_release。

延伸阅读：相关模块速查 📚

小结：gm_mdspan与ub_mdspan为 GM 和 UB 两侧数据提供统一的多维索引体验，tensor_load_async则把多维形状、步长和填充的复杂搬运交给硬件描述符表达。三者配合流水线（pipeline）使用，就是你在 Ascend 950 系列上编写高效 AI Core 算子的标准姿势。

• 标准库
• 并发编程
• 高性能计算
• Ascend