Synthèse automatique
Exemple de référence complet d'un opérateur ReLU élément par élément écrit en Triton pour le backend Ascend, avec boucle grid-stride, découpage 1D et gestion du masque de bordure.
Points forts
- Fournit un squelette réutilisable et concret pour tout opérateur élément par élément en Triton Ascend
- Montre la boucle grid-stride sur un seul axe avec CORE_NUM constant, utile pour occuper les vector cores
- Inclut la lecture du nombre de vector cores via les propriétés du device, avec repli à 40
- Le masque de bordure et le other=0.0 sont déjà en place, ce qui évite les accès hors bornes
Limites
- Ne couvre que ReLU : rien sur les opérateurs à deux entrées, le broadcast ou les réductions
- BLOCK_SIZE est codé en dur à 1024 et aucun autotuning ni mesure de performance n'est proposé
- Aucune validation numérique ni comparaison avec torch.nn.ReLU n'est fournie
- Peu de commentaires sur les spécificités Ascend (types supportés, contraintes du compilateur)
À utiliser comme modèle de structure lorsqu'il faut générer ou relire un noyau Triton Ascend élément par élément destiné aux Atlas A2/A3.
À ne pas utiliser pour des opérateurs non élément par élément (matmul, réduction, attention) ou pour du Triton sur GPU NVIDIA, dont les contraintes de grille diffèrent.
Analyse de sécurité
SûrThe skill is a self-contained PyTorch/Triton code example that compiles a ReLU elementwise kernel and runs it on Ascend NPU hardware. It performs no shell execution, no network access, no file or credential handling, and no obfuscation; the only runtime side effects are allocating a device tensor and launching a kernel. The bare 'except:' around device-property probing silently falls back to a default core count rather than hiding anything dangerous.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Using the Triton Ascend ReLU example as a template, write an element-wise GELU kernel with the same 1D grid-stride loop and border masking, targeting Atlas A2.Take this Triton Ascend ReLU kernel and make BLOCK_SIZE configurable per input size instead of hard-coded 1024, keeping the vector-core grid-stride structure.Review my Triton Ascend element-wise kernel against the ReLU example and tell me whether the masking, grid-stride loop and vector-core handling are correct.name: triton-ascend-example-relu description: "The full Triton Ascend example of the ReLU element by element operator. The standard mode for demonstrating vector 's element by element operation: 1D split, mask border processing, staggering. The code structure of this example can be consulted when generating the elementwise type operator." category: example version: "1.0.0" metadata: backend: ascend dsl: triton_ascend hardware: "Atlas A2, Atlas A3" operator_type: "elementwise" framework: torch
ReLU - Triton Ascend
import torch
import triton
import triton.language as tl
@triton.jit
def relu_kernel(
x_ptr, y_ptr,
n_elements,
BLOCK_SIZE: tl.constexpr, CORE_NUM: tl.constexpr,
):
pid = tl.program_id(0)
num_blocks = tl.cdiv(n_elements, BLOCK_SIZE)
for block_id in range(pid, num_blocks, CORE_NUM):
offsets = block_id * BLOCK_SIZE + tl.arange(0, BLOCK_SIZE)
mask = offsets < n_elements
x = tl.load(x_ptr + offsets, mask=mask, other=0.0)
y = tl.maximum(x, 0.0)
tl.store(y_ptr + offsets, y, mask=mask)
class ModelNew(torch.nn.Module):
def __init__(self):
super().__init__()
try:
import torch
import triton
device = torch.npu.current_device()
properties = triton.runtime.driver.active.utils.get_device_properties(device)
self.VEC_CORE_NUM = properties.get("num_vectorcore", 40)
except:
self.VEC_CORE_NUM = 40
def forward(self, x):
if not x.is_contiguous():
x = x.contiguous()
y = torch.empty_like(x)
n_elements = x.numel()
BLOCK_SIZE = 1024
grid = (self.VEC_CORE_NUM,)
relu_kernel[grid](x, y, n_elements, BLOCK_SIZE=BLOCK_SIZE, CORE_NUM=self.VEC_CORE_NUM)
return y
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/triton-ascend-relu-example-ms9wnz8c' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/triton-ascend-relu-example-ms9wnz8c/download' --output '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md.part' && mv '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md.part' '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md' && test -s '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/triton-ascend-example-relu' && cp -R '.skill-downloads/triton-ascend-relu-example-ms9wnz8c' '.claude/skills/triton-ascend-example-relu'Cursor
test -f '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md' && test -s '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/triton-ascend-example-relu' && cp -R '.skill-downloads/triton-ascend-relu-example-ms9wnz8c' '.cursor/skills/triton-ascend-example-relu'Codex
test -f '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md' && test -s '.skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/triton-ascend-example-relu' && cp -R '.skill-downloads/triton-ascend-relu-example-ms9wnz8c' '.agents/skills/triton-ascend-example-relu'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/triton-ascend-relu-example-ms9wnz8c'openskills read 'triton-ascend-relu-example-ms9wnz8c'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/triton-ascend-relu-example-ms9wnz8c/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Créer des cartes interactives avec kepler.gl
Data & IA
Création de cartes interactives et export HTML autonome avec le package Python keplergl, à partir de données géospatiales (DataFrame, GeoJSON, CSV).
Optimisation de paramètres par agent
Data & IA
Guide d'optimisation de systèmes configurables avec objectif mesurable, via des essais bornés et une recommandation fondée sur des preuves.
Relance des visiteurs ICP
Data & IA
Identifiez les utilisateurs inscrits correspondant au profil client idéal mais qui n'ont pas activé, et rédigez des messages de relance personnalisés pour les réengager.