登录社区云，与社区用户共同成长
邀请您加入社区
属于悬浮于页面上层的交互组件，用来做提示确认、表单录入、选项选择等场景。常用实现：CustomDialog 自定义弹窗、系统简易提示框 promptAction、底部弹出面板 bindSheet，也可通过路由配置弹窗页面；这是 ArkUI 基础状态装饰器，用于给组件内变量赋予响应式特性。变量数值发生变更时，绑定该变量的界面会自动刷新 UI；状态仅在当前自定义组件内生效，弹窗显示开关、输入内容、按钮
本文介绍了昇腾CANN生态中的asnumpy库如何通过猴子补丁技术实现NumPy代码向NPU的无缝迁移。该库采用两层架构：模块替换实现透明接管NumPy调用，算子路由将API映射到CANN算子执行。通过惰性拷贝和写时复制策略优化数据搬运，显著减少PCIe传输开销。实战案例展示了一个语音信号处理流程，从原始信号到MFCC特征提取的全过程加速，处理时间从CPU的45分钟缩短至8分钟。asnumpy让现
本文介绍了使用Spack包管理器快速搭建昇腾CANN开发环境的方法。传统手动安装需要处理十几个包的复杂依赖关系，耗时2-5小时。通过cann-spack-package仓库，只需10分钟即可完成全套环境部署：安装Spack、添加CANN包仓库、一键安装CANN Toolkit及相关组件，并自动解决依赖和版本冲突。Spack支持多版本共存、环境隔离和秒级回滚，大幅提升效率。文章还提供了常见问题的解决
做信号处理的工程师，大概率每天都在和FFT、滤波、卷积打交道。用NumPy的np.fft或者SciPy的signal模块，跑个1024点FFT只要几毫秒，看起来够快了。但一旦数据量上去了——比如处理1024通道的脑电信号、做雷达信号的实时频谱分析——CPU就扛不住了，跑一晚都算不完。昇腾CANN的信号处理加速库AscendSiPBoost（sip），就是为这个场景准备的。它把信号处理的原语搬到NP
摘要：pypto是昇腾NPU的Python绑定库，支持用Python语法编写PTO底层指令，自动转换为高效NPU机器码。相比Ascend C，pypto更适合自定义算子开发和新算法原型验证，性能可达手写代码的84-89%。该工具支持数据搬运、矩阵运算、向量运算等PTO指令，但不支持动态shape和多设备通信。pypto定位为快速原型工具，验证通过后可转用Ascend C优化部署。项目代码托管在at
你写了几年科学计算代码，全是，张量创建、矩阵乘法、随机数生成——这些操作在你的 CPU 上跑得好好的，突然老板说"搬到昇腾 NPU 上试试"。你搜了一圈，发现昇腾 CANN 生态里有个叫 asnumpy 的东西，号称"在 NPU 上跑 NumPy 工作负载"。别被名字骗了——asnumpy 不是 NumPy。它是一个兼容层，让你不用重写代码，就能把原来在 CPU 上跑的 NumPy 风格操作搬到昇
本文介绍了昇腾NPU上的算子自动融合框架graph-autofusion，它通过自动发现融合机会和SuperKernel技术，解决了手动融合算子时工作量大的问题。该框架包含Autofuse和SuperKernel两个核心组件，能够自动分析算子间的数据依赖和硬件亲和性，将多个算子编译成单一Kernel执行，避免了中间结果的频繁读写。其JIT编译流程分为五个阶段：输入算子序列、自动融合分析、代码生成、
本文介绍了华为昇腾NPU上的asnumpy计算库，它允许开发者使用NumPy风格的API在NPU上加速计算。文章首先说明asnumpy是NumPy的昇腾加速通道而非替代品，接着详细介绍了环境准备、基础使用方法，并通过矩阵乘法案例展示了NPU相比CPU的15-20倍加速效果。同时提供了常用操作速查表，并指出三个常见问题：避免循环内频繁数据搬移、小规模计算无需使用、需显式指定数据类型。最后建议了广播机
之前做数值计算，一直用NumPy在CPU上跑。数据量一大，CPU就扛不住了。后来发现asnumpy这个库，让NumPy的API直接在昇腾NPU上跑，速度快了10倍不止。这篇文章就来讲讲这个库的使用方法。
写给新手的 asnumpy：昇腾原生 NumPy 到底是啥？
实验室代码跑得好好的，一旦要迁移到昇腾 NPU，整个人都麻了。
有个同事之前跟我说，他写了一套数据预处理的 pipeline，全是 NumPy 写的，后来要迁移到昇腾 NPU 上跑，“感觉天都要塌了”——几千行 NumPy 代码，难道要全部重写？后来他发现了 asnumpy，这个东西基本上解决了这个问题。不需要改你的 NumPy 代码，直接换一下 import，数据搬上 NPU 跑，原来的语法一个不动。
摘要：asnumpy是一个与NumPy API完全兼容的库，可直接在昇腾NPU上运行计算，无需修改现有NumPy代码。它通过将数据存储在NPU的HBM内存中，调用CANN算子进行计算，显著提升了矩阵乘法、FFT等操作的性能。相比传统NumPy转PyTorch再转NPU的流程，asnumpy减少了数据搬运开销，支持广播和原地操作优化。该库特别适合科学计算、数据预处理等场景，只需替换import语句即
本文系统介绍AsNumpy在昇腾NPU环境中的扩展应用，重点分析其超越NumPy的三大核心优势：NPU原生算子加速（8-32倍）、自定义AscendC算子开发框架和混合精度计算优化。通过推荐系统优化、图像处理等实战案例，展示如何实现10-50倍性能提升。文章提供从架构设计、算子开发到性能调优的全流程指南，包含内存访问优化、计算图策略等高级技巧，并附有故障排查清单。最后展望AsNumpy在自动化优化
本文深入解析华为昇腾AI处理器生态中的AsNumpy库，展示其如何实现NumPy API兼容与NPU计算性能的完美结合。文章从架构设计（分层结构、NPArray核心抽象、算子映射机制）到关键技术（计算图优化、内存管理）进行了详细剖析，并通过矩阵乘法和图像滤波的完整示例，验证了AsNumpy相比传统NumPy实现的数量级性能提升。同时提供了性能优化指南和常见问题解决方案，为开发者从原理到实践提供了全
