为加速器 NNPA 构建和测试

神经网络处理辅助设施 (NNPA) 在 IBM z16 的处理器单元上实现。onnx-mlir 可以通过 IBM Z 深度神经网络库 (zDNN) 使用它。构建和 lit 测试在其他 IBM Z 系统（例如 z15）上运行，但数值测试需要在 z16 上运行。

构建

添加以下 CMake 选项以构建用于 NNPA 的 onnx-mlir。关于 Linux 操作系统的构建命令，请参阅 此处

• -DONNX_MLIR_ACCELERATORS=NNPA

测试

Lit 测试

NNPA 的 lit 测试包含在 test/mlir/accelerators/nnpa 中。当构建用于 NNPA 的 onnx-mlir 时，这些 lit 测试也会使用与 CPU 相同的以下命令运行。

cmake --build . --target check-onnx-lit

数值测试

NNPA 的数值测试位于 test/accelerators/NNPA/numerical 中。当前提供 Conv2D、MatMul2D、Gemm、LSTM 和 GRU 的测试，并使用以下命令运行。这些测试可以使用环境变量 TEST_INSTRUCTION 检查生成的共享库中是否包含 zDNN 指令。此外，为了检查结果的准确性，可以使用环境变量 TEST_ATOL 和 TEST_RTOL 设置 ATOL 和 RTOL。提供了一个环境变量 TEST_DATARANGE 来设置数据范围的下限和上限。它们可以设置为“,"，例如 "-0.1,0.1"。为了配置测试用例，提供了一个环境变量 `TEST_CONFIG`。当前配置写在下述每个测试部分。

cmake --build . --config Release --target check-onnx-numerical-nnpa

这些测试使用与 CPU 数值测试相同的测试代码 (test/modellib 和 test/numerial)，但使用不同的 cmake 文件 (test/accelerator/NNPA/numerical/CMakeLists.txt)。

Conv2D

由于 zDNN 库中的 Conv2D 只支持膨胀等于 1 的情况，因此在测试中膨胀始终设置为 1。此外，填充类型设置为 VALID 和 SAME_UPPER，因为它们是唯一受支持的类型。所有维度都是静态的，因为当前不支持动态高度和宽度维度。使用 --maccel=NNPA 时，这些配置会自动设置，这相当于手动将环境变量 TEST_CONFIG 设置为 “-dim=static -dilation=1 -padding=valid_upper”。

Gemm

Gemm 中的 alpha 和 beta 始终为 1，这是 zDNN 库支持的情况。使用 --maccel=NNPA 时，这些配置会自动设置，这相当于手动将环境变量 TEST_CONFIG 设置为 “-alpha=1 -beta=1”。

LSTM

不测试窥视孔张量，因为 zDNN 库中的 LSTM 不支持它。使用 --maccel=NNPA 时，这些配置会自动设置，这相当于手动将环境变量 TEST_CONFIG 设置为 “-peephole=0”。

GRU

zDNN 库中的 GRU 只支持在乘以重置门输出之前应用线性变换的情况。使用 --maccel=NNPA 时，它会自动配置，这相当于手动将环境变量 TEST_CONFIG 设置为 “-linearBeforeReset=1”。

后端测试

NNPA 的后端测试位于 test/accelerators/NNPA/backend 中。它可以使用以下命令运行。仅运行 zDNN 支持的测试用例，如 test/accelerators/NNPA/backend/CMakeLists.txt 中所列。

cmake --build . --config Release --target check-onnx-backend-nnpa

NNPA 的 ATOL 和 RTOL 使用环境变量 TEST_ATOL 和 TEST_RTOL 在 CMakeLists.txt 中设置。此外，环境变量 TEST_INSTRUCTION_CHECK 和 TEST_CASE_BY_USER 允许您检查 NNPA 指令是否在共享库中生成。在 CMakeLists.txt 中，TEST_INSTRUCTION_CHECK 设置为 true，而 TEST_CASE_BY_USER 包含测试用例和指令名称。如果在共享库中找不到指令名称，则测试将失败。