CANN ge 图引擎的 IR 表示与硬件指令映射机制-平芜编程栈

cann组织链接：https://atomgit.com/cann
ge仓库链接：https://atomgit.com/cann/ge

前言

在 AI 模型部署栈中，图引擎（Graph Engine）承担着从高级框架（如 PyTorch、TensorFlow）到硬件执行的桥梁作用。CANN（Compute Architecture for Neural Networks）开源项目中的ge（Graph Engine）仓库（https://atomgit.com/cann/ge）提供了一套高性能、可扩展的图编译与执行框架，其核心在于一套分层的中间表示（IR）。该 IR 不仅支持主流模型格式的解析，还能通过多级优化与精准映射，生成高效的硬件指令序列。

截至 2026 年，ge 已完成对aclrtKernelLaunchV2等新一代运行时接口的适配，并强化了对 SuperKernel、自定义算子及动态 shape 的支持。本文将深入剖析其IR 表示体系与硬件指令映射机制，涵盖计算图构建、优化 Pass、Kernel 调度及运行时集成等关键技术，并通过ge/ir/、ge/compiler/与ge/runtime/中的核心代码片段，揭示其工程实现细节。

1. GE 的整体架构与编译流程

GE 采用经典的“前端 → IR → 优化 → 后端”架构：

其中，Graph IR是整个流程的核心枢纽，承载了模型结构、数据类型、内存布局等全部信息。

关键组件

Parser：支持 ONNX、TensorFlow PB 等格式；
Graph IR：基于节点（Node）与边（Edge）的有向图；
Pass Manager：管理图优化策略；
Kernel Mapper：将 IR 节点映射为具体 Kernel；
Runtime Executor：生成执行计划并下发指令。

2. Graph IR 的节点与属性设计

GE 的 IR 定义于ge/ir/graph.h，采用面向对象设计。

2.1 核心数据结构

// ge/ir/graph.hclassNode{public:std::string name_;std::string type_;// 算子类型，如 "MatMul", "Relu"std::vector<std::shared_ptr<Node>>inputs_;std::vector<std::shared_ptr<Node>>outputs_;AttrValueMap attrs_;// 属性字典};classGraph{public:std::vector<std::shared_ptr<Node>>nodes_;std::shared_ptr<Node>input_;std::shared_ptr<Node>output_;};

每个Node的attrs_存储算子特定参数，例如：

// MatMul 节点属性示例node->attrs_["transpose_a"]=false;node->attrs_["transpose_b"]=true;

2.2 内存与数据类型描述

GE 引入TensorDesc精确描述张量：

// ge/ir/tensor_desc.hstructTensorDesc{DataType data_type;// 如 DT_FLOAT, DT_INT8Format format;// 如 NCHW, NHWC, FRAC_Zstd::vector<int64_t>shape;// 支持动态维度（-1）int64_tsize;// 字节大小};

该描述被用于后续内存规划与 Kernel 选择。

3. 图优化 Pass 体系

GE 的优化由PassManager驱动，支持多种优化策略。

3.1 典型优化 Pass

ConstantFolding：常量折叠；
DeadNodeElimination：死节点消除；
AutoFusion：调用 graph-autofusion 进行算子融合；
MemoryReuse：内存复用分析；
LayoutTransform：数据布局转换（如 NCHW → FRAC_Z）。

3.2 Pass 注册与执行

// ge/optimizer/pass_manager.cppclassPassManager{public:voidRegisterPass(std::unique_ptr<GraphPass>pass){passes_.push_back(std::move(pass));}voidRun(Graph&graph){for(auto&pass:passes_){pass->Run(graph);}}};// 注册示例PassManager pm;pm.RegisterPass(std::make_unique<ConstantFoldingPass>());pm.RegisterPass(std::make_unique<AutoFusionPass>());// ← 集成 graph-autofusionpm.Run(graph);

✅关键集成：AutoFusionPass会调用外部graph-autofusion库，实现 SuperKernel 融合。

4. Kernel 映射与硬件指令生成

4.1 Kernel 选择机制

GE 通过OpKernelRegistry将 IR 节点映射为具体 Kernel：

// ge/kernel/op_kernel_registry.hclassOpKernelRegistry{public:staticOpKernel*GetKernel(conststd::string&op_type,constNode&node){// 1. 查询内置算子库（ops-nn, ops-transformer 等）autokernel=LookupInBuiltInLibs(op_type,node);if(kernel)returnkernel;// 2. 查询自定义算子kernel=LookupCustomOps(op_type);if(kernel)returnkernel;// 3. 回退到解释执行returnCreateInterpretedKernel(op_type);}};

4.2 硬件指令下发：aclrtKernelLaunchV2

截至 2026 年，GE 全面采用新一代运行时接口aclrtKernelLaunchV2（见 PR !387），统一了各类 Kernel 的下发流程：

// ge/runtime/kernel_launcher.cppStatusKernelLauncher::LaunchKernel(constOpKernel*kernel,conststd::vector<Tensor*>&inputs,conststd::vector<Tensor*>&outputs,aclrtStream stream){// 1. 获取 Kernel 二进制（静态或 JIT 生成）constvoid*kernel_func=kernel->GetFuncPtr();// 2. 准备参数列表std::vector<void*>args;for(auto*t:inputs)args.push_back(t->data());for(auto*t:outputs)args.push_back(t->data());// 3. 调用统一 launch 接口ACL_CHECK(aclrtKernelLaunchV2(kernel_func,args.size(),args.data(),nullptr,// configstream));returnSUCCESS;}

💡优势：
统一 AICore、AICPU、Custom Kernel 的调用路径；
支持 SuperKernel 等融合算子无缝集成；
简化驱动层维护复杂度。

5. 动态 Shape 与控制流支持

5.1 动态 Shape 处理

GE 通过Symbolic Shape Inference推导动态维度：

// ge/optimizer/symbolic_shape_infer.cppvoidSymbolicShapeInferPass::Run(Graph&graph){for(auto&node:graph.nodes_){if(IsDynamic(node)){// 基于输入 shape 推导输出autoout_shape=InferShapeFromInputs(node);node->output_desc.shape=out_shape;}}}

运行时，GE 会根据实际输入 shape 重新编译子图（JIT）。

5.2 控制流（If/While）支持

GE 将控制流节点（如If,While）视为子图容器：

// ge/ir/control_flow_node.hclassControlFlowNode:publicNode{public:std::shared_ptr<Graph>then_branch_;std::shared_ptr<Graph>else_branch_;// for Ifstd::shared_ptr<Graph>body_;// for While};

执行时，GE 动态选择分支并递归执行子图。

6. 性能与调试支持

6.1 执行计划生成

GE 将优化后的图转换为ExecutionPlan：

// ge/runtime/execution_plan.hstructExecutionPlan{std::vector<KernelTask>tasks;// 按拓扑序排列MemoryAllocationPlan mem_plan;};

该计划被序列化并缓存，避免重复编译。

6.2 调试与 Profiling

GE 提供丰富的调试工具：

Graph Dump：ge.dump_graph=true输出 IR 到文件；
Kernel Trace：记录每个 Kernel 的启动时间与耗时；
Memory Checker：检测内存越界与泄漏。

结语

CANN ge 图引擎通过精心设计的分层 IR 与统一的硬件指令映射机制，成功实现了从高级模型到高效执行的端到端编译。其不仅支持主流框架的无缝接入，更通过与 ops-* 算子库、graph-autofusion、SuperKernel 等组件的深度协同，构建了一套开放、可扩展的图优化生态。随着对稀疏计算、量化感知训练等新场景的支持，ge 将持续演进，成为 CANN 软件栈中连接算法与硬件的核心枢纽。

cann组织链接：https://atomgit.com/cann
ge仓库链接：https://atomgit.com/cann/ge