昇腾CANN生态揭秘：如何通过开源开放的全场景能力赋能开发者

昇腾CANN生态揭秘：如何通过开源开放的全场景能力赋能开发者

【昇腾训练营报名入口】2025年昇腾CANN训练营第二季火热报名中！基于CANN开源开放全场景，推出0基础入门系列、码力全开特辑、开发者案例等专题课程，助力不同阶段开发者快速提升算子开发技能。获得Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机，平板、开发板等大奖！报名链接： https://www.hiascend.com/developer/activities/cann20252#cann-camp-2502-intro

摘要

本文深入探讨昇腾CANN生态的开源开放战略，从技术架构、分层开放能力、开发者赋能等多个维度，揭示CANN如何通过全场景能力构建开放的AI生态。文章详细分析了Ascend C编程语言的核心特性、CATLASS算子模板库的技术价值，以及CANN 7.0架构的创新突破，为开发者提供从理论到实践的完整技术指南，助力开发者在昇腾AI生态中实现技术创新与价值创造。

一、昇腾CANN生态的战略布局

1.1 CANN全面开源开放的背景与意义

2025年，华为在昇腾计算产业发展峰会上正式宣布CANN全面开源开放，这一战略举措标志着昇腾AI生态进入全新发展阶段。 CANN作为昇腾AI的基础软件栈，通过分层解耦、全面开源开放，支持主流社区，成立CANN技术指导委员会，构建了开放协作的技术底座。 这一开放战略不仅为自主AI生态打下坚实根基，更从CANN的全栈开放能力到昇思MindSpore的全场景部署支持，形成了完整的技术生态链。

CANN的全面开源开放并非简单的代码公开，而是通过系统性设计，将基础算子库、编译优化器、运行时系统等核心组件以模块化方式开放，使开发者能够根据自身需求灵活选择使用层级。作为基础开发平台，昇腾CANN全面开源开放，提供丰富的能力及开发套件，帮助每一位创新者实现技术创新，加速打造AI时代浪潮中昇腾新生态。

1.2 CANN生态的分层架构设计

CANN采用分层开放架构设计，通过计算、通信、内存能力的持续提升，精准适配不同开发场景需求。 这种分层架构主要包括：

• 硬件抽象层：屏蔽底层硬件差异，提供统一的编程接口

• 算子库层：包含基础算子库和高性能算子模板库

• 编译优化层：负责代码优化和性能调优

• 应用接口层：提供面向不同框架的适配接口

这种分层设计使得开发者可以在不同层次进行创新：初学者可以直接使用预置算子，中级开发者可以基于模板库开发自定义算子，高级开发者则可以深入底层优化性能。CANN目前正全力推进开源工作，预计将于年底实现全面开源开放，助力客户、研究者、生态伙伴及业界同行共同促进昇腾生态繁荣。

二、Ascend C：算子开发的核心利器

2.1 Ascend C的技术特性与优势

Ascend C是CANN针对算子开发场景推出的专用编程语言，它原生支持C和C++标准规范，最大化匹配用户开发习惯。 通过多层接口抽象、自动并行计算、孪生调试等关键技术，Ascend C极大提高了算子开发效率和代码质量。 作为面向算子开发场景的编程语言，Ascend C通过多层接口抽象来满足不同开发者对高性能算子的开发诉求。

// Ascend C Add算子核函数示例
#include "ascendc.h"

using namespace ascendc;

template <typename T>
class AddKernel {
public:
__aicore__ inline void Init(GM_ADDR x, GM_ADDR y, GM_ADDR z, int32_t size) {
this->x = x;
this->y = y;
this->z = z;
this->size = size;
}

__aicore__ inline void Process() {
// 创建Tensor描述
TensorDesc desc = {size, FORMAT_ND, DATATYPE_FLOAT};
LocalTensor<float> inputX = LocalTensor<float>(desc);
LocalTensor<float> inputY = LocalTensor<float>(desc);
LocalTensor<float> output = LocalTensor<float>(desc);

// 数据搬运
DataCopy(inputX, x, desc);
DataCopy(inputY, y, desc);

// 计算逻辑
for (int32_t i = 0; i < size; i++) {
output.SetValue(i, inputX.GetValue(i) + inputY.GetValue(i));
}

// 结果输出
DataCopy(z, output, desc);
}

private:
GM_ADDR x, y, z;
int32_t size;
};

// 算子注册
REGISTER_KERNEL(AddKernel);

上述代码展示了Ascend C开发Add算子的基本结构，体现了其与标准C++的高度兼容性，同时通过特有的内存管理和计算接口简化了开发流程。使用Ascend C完成Add算子核函数开发是体验Ascend C算子开发基本流程的重要入门步骤。

2.2 Ascend C的SPMD并行编程模型

Ascend C采用SPMD（Single Program Multiple Data）并行编程模型，这是其高性能计算的核心。 该模型允许开发者编写单个程序，但在多个处理单元上并行执行，每个处理单元处理不同的数据。这种设计极大简化了并行程序的开发难度，同时保证了高性能。

// SPMD并行计算示例
#include "ascendc.h"

using namespace ascendc;

class MatrixMulKernel {
public:
__aicore__ inline void Init(GM_ADDR a, GM_ADDR b, GM_ADDR c,
int32_t m, int32_t n, int32_t k) {
this->a = a;
this->b = b;
this->c = c;
this->m = m;
this->n = n;
this->k = k;
}

__aicore__ inline void Process() {
// 获取当前处理单元ID
int32_t coreId = GetCoreId();
int32_t coreNum = GetCoreNum();

// 每个core处理一部分计算任务
int32_t rowsPerCore = m / coreNum;
int32_t startRow = coreId * rowsPerCore;
int32_t endRow = (coreId == coreNum - 1) ? m : startRow + rowsPerCore;

// 矩阵乘法计算
for (int32_t i = startRow; i < endRow; i++) {
for (int32_t j = 0; j < n; j++) {
float sum = 0.0f;
for (int32_t p = 0; p < k; p++) {
sum += GetValue(a, i * k + p) * GetValue(b, p * n + j);
}
SetValue(c, i * n + j, sum);
}
}
}

private:
GM_ADDR a, b, c;
int32_t m, n, k;
};

这段代码展示了如何在Ascend C中利用SPMD模型实现矩阵乘法的并行计算，通过GetCoreId()和GetCoreNum()函数获取当前处理单元信息，实现任务的自动分配。Ascend C通过多层接口抽象和自动并行计算技术，极大提高了算子开发效率。

三、CATLASS算子模板库：加速开发的利器

3.1 CATLASS的技术架构与价值

CATLASS（Compute Acceleration Template Library for Ascend）是CANN推出的算子模板库，通过提供aclGraph等细粒度API，帮助开发者高效开发昇腾亲和的高性能算子。 该库包含大量预优化的算子模板，覆盖了深度学习中最常用的计算模式，开发者只需根据具体需求调整参数即可快速获得高性能实现。

CATLASS的核心价值在于：

• 降低开发门槛：预置模板减少了重复开发工作

• 性能优化：经过专业优化的模板确保高性能

• 灵活性：支持自定义参数和逻辑扩展

• 兼容性：与主流深度学习框架无缝集成

# 使用CATLASS模板库开发自定义算子
import acl

class CustomOperator:
def __init__(self, input_shape, output_shape):
self.input_shape = input_shape
self.output_shape = output_shape
self.op_type = "CustomAdd"

def create_graph(self):
"""创建计算图"""
graph = acl.graph.CreateGraph()

# 添加输入节点
input_desc = acl.CreateTensorDesc(acl.DT_FLOAT, self.input_shape, acl.FORMAT_ND)
input_node = acl.graph.AddInputNode(graph, input_desc)

# 添加算子节点
op_desc = acl.CreateOpDesc(self.op_type)
acl.SetOpInputDesc(op_desc, 0, input_desc)
acl.SetOpOutputDesc(op_desc, 0, input_desc) # 输出形状与输入相同

op_node = acl.graph.AddOpNode(graph, op_desc)

# 连接节点
acl.graph.ConnectNode(input_node, 0, op_node, 0)

# 添加输出节点
output_node = acl.graph.AddOutputNode(graph, op_node, 0)

# 编译图
acl.graph.CompileGraph(graph)
return graph

def execute(self, input_data):
"""执行算子"""
graph = self.create_graph()
output_data = acl.graph.ExecuteGraph(graph, input_data)
return output_data

这段Python代码展示了如何使用CATLASS的aclGraph API创建和执行自定义算子，体现了其面向高级开发者的易用性设计。CANN通过开放全量基础API和高阶API，大幅降低算子开发门槛，CATLASS模板库为开发者提供了高效开发昇腾亲和高性能算子的能力。

3.2 CATLASS在实际场景中的应用效果

为直观展示CATLASS模板库的性能优势，下表对比了使用CATLASS开发与传统开发方式在不同算子类型上的性能指标：

从表中可以看出，使用CATLASS模板库在开发效率上提升显著，同时性能表现相当甚至更优，特别是在复杂算子如Attention机制上，优势更加明显。

四、CANN 7.0架构的技术创新

4.1 CANN 7.0的核心架构改进

CANN 7.0版本在架构设计上进行了重大创新，特别是在分离架构和耦合架构的支持上实现了突破。 分离架构针对不同的硬件架构特点，使用基础API进行矩阵乘法算子实现，虽然编程范式与耦合架构一致，但由于硬件架构不同，具体实现存在一些差异。

graph TD A[CANN 7.0架构] --> B[硬件抽象层] A --> C[运行时系统] A --> D[编译优化层] B --> B1[昇腾处理器] B --> B2[GPU] B --> B3[CPU] C --> C1[任务调度] C --> C2[内存管理] C --> C3[通信优化] D --> D1[图优化] D --> D2[算子融合] D --> D3[自动并行] B1 --> E[Ascend C] B2 --> F[CUDA适配] B3 --> G[OpenMP支持] E --> H[CATLASS模板库] E --> I[基础API] E --> J[高阶API]

上图展示了CANN 7.0的分层架构设计，体现了其全场景支持能力。在算子开发上，CANN提供了面向算子开发场景的昇腾Ascend C编程语言，通过多层接口抽象来满足不同开发者对高性能算子的开发诉求。

4.2 环境搭建与开发流程

在CANN 7.0框架下进行Ascend C算子开发，需要进行相应的环境准备。 这包括安装第三方依赖、Python环境、相关依赖包以及CANN开发套件包。以下是典型的环境搭建步骤：

# Ubuntu系统环境准备
# 1. 安装Python和基础依赖
sudo apt update
sudo apt install -y python3 python3-pip python3-dev build-essential

# 2. 安装CANN开发套件
wget https://ascend-repo.obs.cn-east-2.myhuaweicloud.com/CANN/7.0/linux/aarch64/ascend-cann-toolkit_7.0.RC1_linux-aarch64.run
chmod +x ascend-cann-toolkit_7.0.RC1_linux-aarch64.run
sudo ./ascend-cann-toolkit_7.0.RC1_linux-aarch64.run --install

# 3. 配置环境变量
echo 'export ASCEND_HOME=/usr/local/Ascend/ascend-toolkit/latest' >> ~/.bashrc
echo 'export PATH=$ASCEND_HOME/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$ASCEND_HOME/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc
source ~/.bashrc

# 4. 验证安装
ascend-dmi -i

完成环境搭建后，开发者可以按照"算子分析→核函数定义→代码实现→编译部署→运行验证"的完整流程进行开发。 本入门教程将会引导开发者完成使用Ascend C完成Add算子核函数开发，使用ICPU_RUN_KF CPU调测宏完成算子核函数CPU侧验证等任务，体验Ascend C算子开发的基本流程。

五、开源生态建设与开发者赋能

5.1 CANN开源社区的建设成果

CANN的开源开放战略已经取得了显著成果。通过Gitee平台，CANN持续深化开源合作，本土AI开源生态进入快速发展阶段。 在华为全联接大会2025期间，华为宣布昇腾分层解耦、全面开源开放，支持主流社区，成立CANN技术指导委员会，推动开源生态建设。

CANN社区版从8.0RC1.alpha001开始，已经支持Atlas 200 A2推理产品进行Ascend C算子开发，这标志着CANN的开源开放已经覆盖了从训练到推理的全场景需求。 未来，华为将围绕通智融合向openEuler贡献更多的组件和能力，在AI领域，昇腾基础软件全面开源开放，今年新增开源CANN、Mind系列应用使能套件、openPangu等。

5.2 开发者赋能体系

CANN通过多层次的开发者赋能体系，帮助不同阶段的开发者快速成长。2025年昇腾CANN训练营焕新升级，依托CANN全面开源开放，推出四大定制化专题课程，满足开发者不同阶段的学习需求，快速提升Ascend C算子开发技术。 这些课程包括0基础入门系列、码力全开特辑、开发者案例等专题，形成了完整的学习路径。

// 训练营实战：自定义Sinh算子实现
#include "ascendc.h"

using namespace ascendc;

template <typename T>
class SinhKernel {
public:
__aicore__ inline void Init(GM_ADDR x, GM_ADDR y, int32_t size) {
this->x = x;
this->y = y;
this->size = size;
}

__aicore__ inline void Process() {
// 创建Tensor
TensorDesc desc = {size, FORMAT_ND, DATATYPE_FLOAT};
LocalTensor<float> input = LocalTensor<float>(desc);
LocalTensor<float> output = LocalTensor<float>(desc);

// 数据搬运
DataCopy(input, x, desc);

// Sinh计算：sinh(x) = (e^x - e^(-x))/2
for (int32_t i = 0; i < size; i++) {
float val = input.GetValue(i);
float exp_val = Exp(val);
float exp_neg_val = Exp(-val);
output.SetValue(i, (exp_val - exp_neg_val) / 2.0f);
}

// 结果输出
DataCopy(y, output, desc);
}

private:
GM_ADDR x, y;
int32_t size;

// 指数函数实现
float Exp(float x) {
// 简化的指数函数实现
float result = 1.0f;
float term = 1.0f;
for (int32_t i = 1; i <= 10; i++) {
term *= x / i;
result += term;
}
return result;
}
};

REGISTER_KERNEL(SinhKernel);

这段代码是训练营中的实战案例，展示了如何实现自定义Sinh算子。很多同学反映官方文档内容太多，不知道看哪一部分，训练营通过实战案例和系统化教学帮助开发者快速掌握核心技能。 完成Ascend C算子中级认证和实操挑战，开发者即可领取结业证书，同时有机会赢取华为手机、平板、开发板等大奖。

六、未来展望与总结

6.1 CANN生态的未来发展方向

随着AI技术的快速发展，CANN生态将持续深化开源开放战略。昇腾CANN秉持全面深度开放理念，通过分层开放架构，计算、通信、内存能力持续提升，精准适配不同开发场景需求。 未来，CANN将进一步加强与主流开源社区的协作，推动AI技术的标准化和普及化。

在技术层面，CANN将持续优化其核心组件：

• 编译优化：提升自动优化能力，减少手动调优需求

• 跨平台支持：增强对不同硬件平台的适配能力

• 开发工具链：完善IDE插件、调试工具等开发体验

• 性能分析：提供更精细的性能分析和优化建议

6.2 总结与开发者建议

昇腾CANN通过开源开放的全场景能力，为开发者构建了一个技术先进、生态繁荣的AI开发平台。从Ascend C编程语言到CATLASS算子模板库，从分层架构设计到完整的开发者赋能体系，CANN展现了其在AI基础软件领域的深厚积累和创新实力。

对于希望在昇腾生态中发展的开发者，建议：

1. 系统学习：从0基础入门系列开始，循序渐进掌握核心技能

2. 实战驱动：通过训练营的实战项目加深理解

3. 社区参与：积极参与开源社区，贡献代码和经验

4. 持续跟进：关注CANN版本更新，掌握最新技术特性

2025年昇腾CANN训练营第二季为开发者提供了绝佳的学习机会，完成Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机、平板、开发板等大奖。 通过参与训练营，开发者不仅能够掌握前沿技术，还能获得实践经验和社区认可，为职业发展奠定坚实基础。

CANN的开源开放战略正在激活AI创新力，共建共赢AI新生态。 作为开发者，我们有幸见证并参与这一历史性进程，通过技术创新推动AI技术的发展和应用，共同构筑开放的昇腾AI算力新生态。

标签： #昇腾CANN #AscendC #算子开发 #AI开源 #深度学习 #华为昇腾 #训练营 #CATLASS #AI生态