-
Notifications
You must be signed in to change notification settings - Fork 0
/
matmul_autotune_bak.ttir
146 lines (141 loc) · 7.22 KB
/
matmul_autotune_bak.ttir
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
#pragma autotune BLOCK_SIZE_M {64, 128, 256}
#pragma autotune BLOCK_SIZE_N {64, 128, 256}
#pragma autotune BLOCK_SIZE_K {32, 64}
#pragma autotune GROUP_SIZE_M {8, 12, 16, 20, 24}
#pragma autotune intrinsic num_warps {2, 4, 8}
#pragma autotune intrinsic num_stages {3, 4, 5}
#pragma argument 0 ptr cuMalloc(8192 * 8192 * 2)
#pragma argument 1 ptr cuMalloc(8192 * 8192 * 2)
#pragma argument 2 ptr cuMalloc(8192 * 8192 * 2)
// %arg3 = M
#pragma argument 3 i32 8192
// %arg4 = N
#pragma argument 4 i32 8192
// %arg5 = K
#pragma argument 5 i32 8192
// %arg6 = stride_am
#pragma argument 6 i32 8192
// %arg7 = stride_bk
#pragma argument 7 i32 8192
// %arg8 = stride_cm
#pragma argument 8 i32 8192
#pragma gridX (8192 / ${BLOCK_SIZE_M}) * (8192 / ${BLOCK_SIZE_N})
module {
tt.func public @matmul_kernel(
%arg0: !tt.ptr<f16> {tt.divisibility = 16 : i32},
%arg1: !tt.ptr<f16> {tt.divisibility = 16 : i32},
%arg2: !tt.ptr<f16> {tt.divisibility = 16 : i32},
%arg3: i32 {tt.divisibility = 16 : i32},
%arg4: i32 {tt.divisibility = 16 : i32},
%arg5: i32 {tt.divisibility = 16 : i32},
%arg6: i32 {tt.divisibility = 16 : i32},
%arg7: i32 {tt.divisibility = 16 : i32},
%arg8: i32 {tt.divisibility = 16 : i32}) attributes {noinline = false} {
%cst = arith.constant dense<0> : tensor<1x256xi64>
%cst_0 = arith.constant dense<0> : tensor<128x1xi64>
%c32_i64 = arith.constant 32 : i64
%c0_i64 = arith.constant 0 : i64
%c255_i32 = arith.constant 255 : i32
%c127_i32 = arith.constant 127 : i32
%cst_1 = arith.constant dense<0.000000e+00> : tensor<128x256xf32>
%c32_i32 = arith.constant 32 : i32
%c256_i32 = arith.constant 256 : i32
%c0_i32 = arith.constant 0 : i32
%c128_i32 = arith.constant 128 : i32
%c${BLOCK_SIZE_K}_i32 = arith.constant ${BLOCK_SIZE_K} : i32
%0 = tt.get_program_id x : i32
%1 = arith.addi %arg3, %c127_i32 : i32
%2 = arith.divsi %1, %c128_i32 : i32
%3 = arith.addi %arg4, %c255_i32 : i32
%4 = arith.divsi %3, %c256_i32 : i32
%5 = arith.muli %4, %c${BLOCK_SIZE_K}_i32 : i32
%6 = arith.divsi %0, %5 : i32
%7 = arith.muli %6, %c${BLOCK_SIZE_K}_i32 : i32
%8 = arith.subi %2, %7 : i32
%9 = arith.minsi %8, %c${BLOCK_SIZE_K}_i32 : i32
%10 = arith.remsi %0, %9 : i32
%11 = arith.addi %7, %10 : i32
%12 = arith.remsi %0, %5 : i32
%13 = arith.divsi %12, %9 : i32
%14 = arith.muli %11, %c128_i32 : i32
%15 = arith.extsi %arg6 : i32 to i64
%16 = arith.extsi %14 : i32 to i64
%17 = arith.muli %13, %c256_i32 : i32
%18 = arith.extsi %arg7 : i32 to i64
%19 = arith.extsi %17 : i32 to i64
%20 = tt.splat %arg0 : !tt.ptr<f16> -> tensor<128x32x!tt.ptr<f16>>
%21 = tt.splat %16 : i64 -> tensor<128xi64>
%22 = tt.make_range {end = 128 : i32, start = 0 : i32} : tensor<128xi32>
%23 = arith.extsi %22 : tensor<128xi32> to tensor<128xi64>
%24 = arith.addi %21, %23 : tensor<128xi64>
%25 = tt.expand_dims %24 {axis = 1 : i32} : tensor<128xi64> -> tensor<128x1xi64>
%26 = tt.splat %15 : i64 -> tensor<128x1xi64>
%27 = arith.muli %25, %26 : tensor<128x1xi64>
%28 = tt.broadcast %27 : tensor<128x1xi64> -> tensor<128x32xi64>
%29 = tt.make_range {end = 32 : i32, start = 0 : i32} : tensor<32xi32>
%30 = arith.extsi %29 : tensor<32xi32> to tensor<32xi64>
%31 = tt.splat %arg1 : !tt.ptr<f16> -> tensor<32x256x!tt.ptr<f16>>
%32 = tt.splat %18 : i64 -> tensor<32x1xi64>
%33 = tt.splat %19 : i64 -> tensor<256xi64>
%34 = tt.make_range {end = 256 : i32, start = 0 : i32} : tensor<256xi32>
%35 = arith.extsi %34 : tensor<256xi32> to tensor<256xi64>
%36 = arith.addi %33, %35 : tensor<256xi64>
%37 = tt.expand_dims %36 {axis = 0 : i32} : tensor<256xi64> -> tensor<1x256xi64>
%38 = tt.broadcast %37 : tensor<1x256xi64> -> tensor<32x256xi64>
%39:3 = scf.for %arg9 = %c0_i32 to %arg5 step %c32_i32 iter_args(%arg10 = %cst_1, %arg11 = %c0_i64, %arg12 = %c0_i64) -> (tensor<128x256xf32>, i64, i64) : i32 {
%72 = tt.splat %arg11 : i64 -> tensor<32xi64>
%73 = arith.addi %72, %30 : tensor<32xi64>
%74 = tt.expand_dims %73 {axis = 0 : i32} : tensor<32xi64> -> tensor<1x32xi64>
%75 = tt.broadcast %74 : tensor<1x32xi64> -> tensor<128x32xi64>
%76 = arith.addi %28, %75 : tensor<128x32xi64>
%77 = tt.addptr %20, %76 : tensor<128x32x!tt.ptr<f16>>, tensor<128x32xi64>
%78 = tt.load %77 : tensor<128x32x!tt.ptr<f16>>
%79 = tt.splat %arg12 : i64 -> tensor<32xi64>
%80 = arith.addi %79, %30 : tensor<32xi64>
%81 = tt.expand_dims %80 {axis = 1 : i32} : tensor<32xi64> -> tensor<32x1xi64>
%82 = arith.muli %81, %32 : tensor<32x1xi64>
%83 = tt.broadcast %82 : tensor<32x1xi64> -> tensor<32x256xi64>
%84 = arith.addi %83, %38 : tensor<32x256xi64>
%85 = tt.addptr %31, %84 : tensor<32x256x!tt.ptr<f16>>, tensor<32x256xi64>
%86 = tt.load %85 : tensor<32x256x!tt.ptr<f16>>
%87 = tt.dot %78, %86, %arg10, inputPrecision = tf32 : tensor<128x32xf16> * tensor<32x256xf16> -> tensor<128x256xf32>
%88 = arith.addi %arg11, %c32_i64 : i64
%89 = arith.addi %arg12, %c32_i64 : i64
scf.yield %87, %88, %89 : tensor<128x256xf32>, i64, i64
}
%40 = arith.truncf %39#0 : tensor<128x256xf32> to tensor<128x256xf16>
%41 = arith.extsi %arg3 : i32 to i64
%42 = arith.extsi %arg4 : i32 to i64
%43 = arith.extsi %arg8 : i32 to i64
%44 = tt.splat %arg2 : !tt.ptr<f16> -> tensor<128x256x!tt.ptr<f16>>
%45 = tt.splat %16 : i64 -> tensor<128xi64>
%46 = tt.make_range {end = 128 : i32, start = 0 : i32} : tensor<128xi32>
%47 = arith.extsi %46 : tensor<128xi32> to tensor<128xi64>
%48 = arith.addi %45, %47 : tensor<128xi64>
%49 = tt.expand_dims %48 {axis = 1 : i32} : tensor<128xi64> -> tensor<128x1xi64>
%50 = tt.splat %43 : i64 -> tensor<128x1xi64>
%51 = arith.muli %49, %50 : tensor<128x1xi64>
%52 = tt.broadcast %51 : tensor<128x1xi64> -> tensor<128x256xi64>
%53 = tt.splat %19 : i64 -> tensor<256xi64>
%54 = tt.make_range {end = 256 : i32, start = 0 : i32} : tensor<256xi32>
%55 = arith.extsi %54 : tensor<256xi32> to tensor<256xi64>
%56 = arith.addi %53, %55 : tensor<256xi64>
%57 = tt.expand_dims %56 {axis = 0 : i32} : tensor<256xi64> -> tensor<1x256xi64>
%58 = tt.broadcast %57 : tensor<1x256xi64> -> tensor<128x256xi64>
%59 = arith.addi %52, %58 : tensor<128x256xi64>
%60 = tt.addptr %44, %59 : tensor<128x256x!tt.ptr<f16>>, tensor<128x256xi64>
%61 = arith.cmpi sge, %49, %cst_0 : tensor<128x1xi64>
%62 = tt.splat %41 : i64 -> tensor<128x1xi64>
%63 = arith.cmpi slt, %49, %62 : tensor<128x1xi64>
%64 = arith.andi %61, %63 : tensor<128x1xi1>
%65 = tt.broadcast %64 : tensor<128x1xi1> -> tensor<128x256xi1>
%66 = arith.cmpi sge, %57, %cst : tensor<1x256xi64>
%67 = tt.splat %42 : i64 -> tensor<1x256xi64>
%68 = arith.cmpi slt, %57, %67 : tensor<1x256xi64>
%69 = arith.andi %66, %68 : tensor<1x256xi1>
%70 = tt.broadcast %69 : tensor<1x256xi1> -> tensor<128x256xi1>
%71 = arith.andi %65, %70 : tensor<128x256xi1>
tt.store %60, %40, %71 : tensor<128x256x!tt.ptr<f16>>
tt.return
}
}