## 从“用不了”到“跑得快”：rocBLAS如何让国产DCU真正“算起来” 如果你接触过国产加速卡，一定听过这样的抱怨：“硬件参数挺好看，但软件生态跟不上，很多库用不了。” 这话放在几年前没错。但今天，情况已经大不相同。 以海光DCU为例，它的软件生态已经覆盖了从底层驱动到上层框架的完整链条。其中最关键的一环，就是**rocBLAS**——一套让DCU“算得起来”的基础线性代数库。 ### 一、rocBLAS是什么？一句话说清楚 **rocBLAS就是DCU上的BLAS库。** BLAS（Basic Linear Algebra Subprograms，基础线性代数子程序）是科学计算和AI训练的“地基”。你在PyTorch里训练模型、在GROMACS里做分子动力学模拟、在OpenFOAM里算流体力学——底层都在调用BLAS库做矩阵乘法和向量运算。 rocBLAS就是这套地基在DCU上的实现。它用HIP语言写成，专门针对DCU的架构做优化。你写的程序调用rocBLAS，就相当于告诉DCU：“帮我算个矩阵乘法，要快。” ### 二、rocBLAS能做什么？ rocBLAS实现了BLAS的三个层级： **Level 1**：向量-向量运算。比如两个向量相加（AXPY）、求点积（DOT）、算范数（NRM2）。这些操作看着简单，但在迭代式算法里被调用成千上万次，性能差异会累积成巨大差距。 **Level 2**：矩阵-向量运算。比如矩阵乘向量（GEMV）。这是很多科学计算的核心操作——有限元分析、流体模拟里大量存在。 **Level 3**：矩阵-矩阵运算。比如通用矩阵乘法（GEMM）。这是**AI训练的命脉**——Transformer里的QKV投影、Attention计算、FFN层，本质上都是GEMM。 rocBLAS对每种精度都提供了完整支持：单精度（float）、双精度（double）、半精度（FP16）、BF16，甚至还有8位整数（int8）。这意味着你可以在科学计算中用双精度保证数值准确性，在AI训练中用半精度榨干DCU的算力。 ### 三、从0到1：一个最简单的rocBLAS程序 光说不练假把式。来看一个用rocBLAS做矩阵乘法的完整例子： ```cpp #include #include int main() { const int M = 2, N = 3, K = 4; float alpha = 1.0f, beta = 0.0f; // 主机端数据（列主序） float h_A[M*K] = {1,2,3,4, 5,6,7,8}; // A: M×K float h_B[K*N] = {1,2,3, 4,5,6, 7,8,9, 10,11,12}; // B: K×N float h_C[M*N] = {0}; // C: M×N（结果） // 在DCU上分配显存 float *d_A, *d_B, *d_C; hipMalloc(&d_A, M*K*sizeof(float)); hipMalloc(&d_B, K*N*sizeof(float)); hipMalloc(&d_C, M*N*sizeof(float)); // 数据从CPU拷到DCU hipMemcpy(d_A, h_A, sizeof(h_A), hipMemcpyHostToDevice); hipMemcpy(d_B, h_B, sizeof(h_B), hipMemcpyHostToDevice); // 创建rocBLAS句柄 rocblas_handle handle; rocblas_create_handle(&handle); // 执行矩阵乘法：C = alpha * A * B + beta * C rocblas_sgemm(handle, rocblas_operation_none, rocblas_operation_none, M, N, K, &alpha, d_A, M, d_B, K, &beta, d_C, M); // 结果拷回CPU hipMemcpy(h_C, d_C, sizeof(h_C), hipMemcpyDeviceToHost); // 打印结果 for(int i = 0; i < M; ++i) { for(int j = 0; j < N; ++j) { std::cout << h_C[i + j*M] << " "; } std::cout << std::endl; } // 清理资源 rocblas_destroy_handle(handle); hipFree(d_A); hipFree(d_B); hipFree(d_C); return 0; } ``` **注意到什么了吗？** 除了头文件和函数名前缀从 `cublas`换成 `rocblas`，这段代码和CUDA版本的写法几乎一模一样。`hipMalloc`对应 `cudaMalloc`，`hipMemcpy`对应 `cudaMemcpy`——写过CUDA的人，上手rocBLAS几乎零成本。 编译也很简单： ```bash hipcc demo_sgemm.cpp -o demo_sgemm -lrocblas ``` 运行后你会得到矩阵乘法的正确结果。 ### 四、rocBLAS的“隐藏武器”：扩展API 传统的BLAS接口是固定的——输入什么精度，输出什么精度，中间计算用什么精度，都是绑定的。但rocBLAS提供了一套**扩展API（Extended API）** ，让你可以**混合精度**计算。 什么意思？举个例子： 你在训练一个大模型，想用FP16存数据以节省显存，但又担心FP16的精度不够导致梯度下溢。用rocBLAS的扩展API，你可以这样做： - 输入矩阵A和B用**FP16**存（省显存） - 但中间计算用**FP32**累加（保精度） - 输出结果用**FP16**（省显存） ```cpp rocblas_gemm_ex(handle, transA, transB, m, n, k, alpha, A, rocblas_datatype_f16_r, lda, // A用FP16 B, rocblas_datatype_f16_r, ldb, // B用FP16 beta, C, rocblas_datatype_f16_r, ldc, // C用FP16 D, rocblas_datatype_f16_r, ldd, // D用FP16 rocblas_datatype_f32_r, // 但中间计算用FP32！ algo, solution_index, flags); ``` 这种“混合精度”能力在AI训练中极其重要——**既享受了半精度的高吞吐，又保留了单精度的数值稳定性**。 ### 五、rocBLAS在DCU上跑得怎么样？ 说了这么多“能做什么”，最关键的问题来了：**在DCU上跑rocBLAS，性能到底行不行？** 答案是：**不仅行，而且越来越行。** 2025年发表的研究表明，在海光DCU Z100SM上，经过针对性优化的GEMV（矩阵-向量乘）算法，性能比rocBLAS原生实现**最高提升了3倍**。 3倍是什么概念？同样的硬件、同样的计算任务，只是优化了算法实现方式，速度就翻了3倍。这说明**DCU的硬件潜力远未被充分挖掘**，而rocBLAS作为基础库，正是释放这种潜力的关键通道。 在大语言模型训练场景中，研究人员发现矩阵转置对rocBLAS中GEMM核函数的性能影响显著，并提出了“最小化转置”和“自适应转置”两种优化方法，**有效降低了训练耗时**。这些优化已经进入了PyTorch的线性层实现——你在DCU上跑PyTorch训练时，已经在不知不觉中受益于这些改进了。 海光DCU的软件栈基于AMD开源的ROCm平台定制，而rocBLAS作为ROCm生态的核心组件，也在持续迭代。最新版本的rocBLAS针对gfx942（对应DCU的高端型号）做了大量优化：GEMM在适用场景下会调用GEMV内核加速、小矩阵大批量的GEMV性能提升、大向量的点积性能优化。 ### 六、为什么rocBLAS对国产算力生态至关重要？ rocBLAS的意义，远不止于“一个能用的数学库”。 **第一，它是生态的“地基”** 。没有rocBLAS，PyTorch跑不起来、TensorFlow跑不起来、各种科学计算软件都跑不起来。rocBLAS的存在，让DCU从“能看”变成了“能用”。 **第二，它是性能的“天花板”** 。硬件算力再高，如果基础库没优化好，最终应用性能也上不去。rocBLAS的持续优化，直接决定了DCU在AI训练、科学计算中的实际表现。 **第三，它是迁移的“桥梁”** 。rocBLAS的API设计与cuBLAS高度一致，这意味着大量现有的CUDA代码可以低成本迁移到DCU上。开发者不需要重新学习一套全新的编程模型。 在国产加速卡生态建设的大背景下，rocBLAS这样的基础库，正在把“国产硬件”从**政策驱动的选择**变成**性能驱动的选择**。 ### 七、总结 回到开头的问题：**国产加速卡能不能用？** 能。而且正在从“能用”走向“好用”。 rocBLAS就是最好的证明——它让DCU能跑标准的BLAS程序，支持混合精度，持续性能优化，API设计让CUDA开发者几乎无缝迁移。从一段20行的矩阵乘法代码，到千亿参数大模型的分布式训练，底层都离不开rocBLAS的支撑。 下次你再听到“国产加速卡软件生态不行”的说法时，可以告诉他们：**rocBLAS已经让DCU“算得起来”了，而且正在“算得越来越快”。**