在 AI 模型部署中，（如 MatMul、Conv、LayerNorm）。这些“热点算子”的性能直接决定了整个系统的吞吐与延迟。对于昇腾芯片而言，即使使用 MindSpore 自带的算子库，某些特殊 shape 或融合逻辑仍需自定义实现。Ascend C 正是为此而生。本文将带领读者从零开始，逐步构建多个典型 AI 算子（包括 GEMM、Softmax、LayerNorm、Attention），并

如 Swish、GELU 等非标准激活函数，可通过 Ascend C 高效实现。

我们以为例，展示完整开发流程。// 每个核处理的数据量// 初始化 Pipe// 分配 UB 内存// 计算当前核的起始偏移// 数据搬入// 执行 ReLU: max(0, x)// 数据搬出。

以Host 端准备注册算子；计算 Tiling 策略（均值、方差、归一化分三阶段）；Device 端 Kernel第一阶段：计算均值（reduce sum）；第二阶段：计算方差；第三阶段：归一化 + scale + bias。优化技巧使用 Vector 单元的vreduce指令加速求和；双缓冲处理输入/输出；FP16 计算 + FP32 累加避免精度损失。实测在 Atlas 910B 上，Asce

2025年昇腾CANN训练营第二季，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。由于 UB 容量有限（如 1MB），无法一次性加载整个张量，必须将其切分为小块（Tile）。在上一篇文章中，我们了解了 Ascend

import te# 绑定到 Ascend C 后端return s。

随着人工智能技术的飞速发展，专用 AI 芯片逐渐成为支撑大模型训练与推理的核心基础设施。华为昇腾（Ascend）系列 AI 芯片凭借其高算力、高能效比和软硬协同优化能力，在国产 AI 芯片生态中占据重要地位。然而，要充分发挥昇腾芯片的性能潜力，仅依赖高层框架（如 MindSpore、PyTorch）是远远不够的——底层计算核心仍需高度定制化的算子实现。为此，华为推出了—— 一种专为昇腾 AI 芯片

如 Swish、GELU 等非标准激活函数，可通过 Ascend C 高效实现。

如 Swish、GELU 等非标准激活函数，可通过 Ascend C 高效实现。

以Host 端准备注册算子；计算 Tiling 策略（均值、方差、归一化分三阶段）；Device 端 Kernel第一阶段：计算均值（reduce sum）；第二阶段：计算方差；第三阶段：归一化 + scale + bias。优化技巧使用 Vector 单元的vreduce指令加速求和；双缓冲处理输入/输出；FP16 计算 + FP32 累加避免精度损失。实测在 Atlas 910B 上，Asce