前言
声明：本文所有内容均围绕Ascend C算子开发能力认证(中级)相关知识点进行考试心得分享，为保障考试的公平性，不会对具体的算法进行全文献式说明。
相关知识点是不会落下的，所以肯定会对您通过考试有些帮助，祝您考试顺利。
主页地址：https://www.hiascend.com/edu/certification/detail/34bf904cb410497cb9c582be6c047ff7
通过证明，后面的文章我会细致的对所有用到的知识点进行说明。
目录
前言
一、考前准备与出题者目考察目的分析
1、领取考试券
2、考试环境搭建要求
3、考试题目说明
核心特性：为什么这个函数如此重要？
核心用途：Sigmoid 到底解决什么问题？
4、考试说明
5、提交要求
二、具体代码分析与代码编写
1、AclNNInvocation 项目说明
2、SigmoidCustom 项目说明
3、理解代码：
查阅SigmoidCustom\op_host\sigmoid_custom_tiling.h文件
查阅SigmoidCustom\op_host\sigmoid_custom.cpp文件
查阅SigmoidCustom\op_kernel\sigmoid_custom.cpp文件
必要跳坑说明：
三、校验代码效果
1、服务器启动
2、编码修改
3、编译操作
4、校验操作
5、提交拿证
总结
一、考前准备与出题者目考察目的分析
从此开始进行逐一的分析总结，希望能对大家有所贡献。
1、领取考试券
https://www.hiascend.com/
进入后我们先进入到【用户个人中心】。
插条消息，社区内的徽章很多，可以时时的展示自己的价值，多来参与活动吧。
点击成长值超链接：
去领取代金券：
去领取：
点击领取：
领取成功提示：
点击【个人中心-我的券码】，并点击复制的图标按钮。
现在我们已经有了免费的券码了。
返回到中级页面，即可进行考试：
https://www.hiascend.com/edu/certification/exam/34bf904cb410497cb9c582be6c047ff7
能提交5次，我这里能看到我提交了2次通过的。
2、考试环境搭建要求
这里给的是环境的一个说明，我这里使用的是华为云-ModelArts-Notebook的部署方式处理的。
环境上要有昇腾NPU，且CANN版本为8.0.0.beta1。请开发者自行准备。
典型场景举例（若指导文档中CANN版本号与"8.0.0.beta1"不一致，请自行调整）：
开发者套件（Atlas200I DK A2，或香橙派）部署方式
华为云-ModelArts-Notebook 部署方式
3、考试题目说明
这个不分是对具体的算子工程进行了算法说明，Ascend C算子Sigmoid，要求编写其对应位置的代码，最后完成算子调用的测试。
下图中可以看到【点击下载】对应的的项目，并且是tar.gz的，我们也就知道肯定不是是windows环境跑的了，鼠标右键复制一下下载链接备用，我这里已经给大家复制出来了，不过我看到的具体连接地址是【.zip】也就是说windows也能处理看看。
https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/AscendC/SigmoidCustom.zip
我们先来理解一下这个算法：
sigmoid(x) = 1/(1 + exp(-x))
我们先来看这个函数，Sigmoid 函数（也叫逻辑斯蒂函数，Logistic Function）是深度学习、机器学习中最基础也最核心的激活函数之一。
所以本次中级的考试认证使用Sigmoid 函数是非常恰当的。
完整的数学表达式：
其中 x 是输入（可以是任意实数），e 是自然常数（≈2.71828），输出值严格落在 \((0, 1)\) 区间内。
核心特性：为什么这个函数如此重要？
先从数学特性理解它的【设计巧思】：
值域压缩：无论输入 x 是还是
，输出都会被 “挤压” 到(0,1) 之间：
还有光滑可导、单调递增、中心对称都可以用这个函数来表达。
核心用途：Sigmoid 到底解决什么问题？
Sigmoid 的核心价值是将任意实数映射为概率 / 置信度，或实现【二分类决策】，主要应用在以下场景：
1、 二分类任务的输出层（最核心用途）机器学习中，二分类问题（比如：判断邮件是否为垃圾邮件、肿瘤是否为恶性、用户是否点击广告）需要输出 属于正类的概率，而概率的取值范围必须是[0,1]——Sigmoid 恰好能满足这一需求。
案例分析：
假设模型通过特征计算得到一个原始得分 x（比如 x=3），经过 Sigmoid 转换后：
这里公式不好拼，可以自己复制，自行拿去：
sigma(3)=1/(1+e^{-3}) \approx 1/(1+0.0498) \approx 0.9502
这表示该样本属于正类的概率为95.02%，通常设定阈值（如 0.5）：
输出 > 0.5 → 判定为正类；
输出 < 0.5 → 判定为负类；
输出 = 0.5 → 需结合业务规则决策。
这就是具体的用法，至此我们应该能理解到出题的这位老师的良苦用心了。
4、考试说明
这里的4.1和4.2是对基础结构以及编译操作给了提示。
然后是4.3和4.4对过程有效性与最终运行效果的说明。
5、提交要求
最后一个要求是根据实际选择的服务器来修改对应的value值。
根据自己选的服务器来进行具体的修改，我这里用的是【Ascend910b】的，可以看到我已经对应的修改了。
二、具体代码分析与代码编写
为了减少服务器的使用时长，我们先进行本地的具体代码查阅与编辑，最后上传到服务器上再跑一下，看看是否能通过。
我们随便找个开发工具打开看看。
这基本就了解了，然后我们具体看看。
1、AclNNInvocation 项目说明
官方说明：AclNNInvocation是一个基于华为昇腾神经网络接口的算子测试和调用项目。该项目主要用于调用和验证自定义算子的功能正确性和计算精度。
确认是要校验我们代码是否正确的项目了，下面是对应的层级结构。
AclNNInvocation/ ├── inc/ # 头文件目录 │ ├── common.h # 通用工具函数声明 │ ├── op_runner.h # 算子运行器类定义 │ └── operator_desc.h # 算子描述结构体定义 ├── src/ # 源文件目录 │ ├── main.cpp # 主程序入口 │ ├── op_runner.cpp # 算子运行器实现 │ ├── operator_desc.cpp # 算子描述实现 │ └── common.cpp # 通用工具函数实现 ├── scripts/ # 脚本目录 │ ├── acl.json # ACL 配置文件（用于 dump 或 profiling） │ ├── gen_data.py # 生成测试数据和真值数据 │ └── verify_result.py # 验证计算结果精度 ├── input/ # 输入数据目录 ├── output/ # 输出数据目录 └── run.sh # 主运行脚本我查看了main.cpp 的代码，下面的对应的函数说明。
InitResource(): 初始化 ACL 环境，设置设备
CreateOpDesc(): 创建算子描述，定义输入输出张量的形状、数据类型和格式
SetInputData(): 从文件加载输入数据
RunOp(): 创建算子运行器并执行算子
ProcessOutputData(): 将计算结果保存到文件
2、SigmoidCustom 项目说明
官方说明：SigmoidCustom是一个基于华为昇腾AI 处理器的自定义算子开发项目。该项目实现了自定义的 Sigmoid 激活函数算子，包含完整的算子开发框架，支持在昇腾设备上高效执行，并可集成到 TensorFlow 等深度学习框架中使用。
既然说是自定义的，那么就代表这是我们要进行编译的项目，项目结构是：
SigmoidCustom/ ├── op_kernel/ # 算子内核实现（设备端代码） │ ├── sigmoid_custom.cpp # Sigmoid 算子的核心计算实现（AscendC） │ └── CMakeLists.txt # 内核编译配置 ├── op_host/ # 算子主机端代码 │ ├── sigmoid_custom.cpp # 算子注册、形状推理、数据类型推理、Tiling 函数 │ ├── sigmoid_custom_tiling.h # Tiling 数据结构定义 │ └── CMakeLists.txt # 主机端编译配置 ├── framework/ # 框架集成代码 │ └── tf_plugin/ # TensorFlow 插件 │ ├── tensorflow_sigmoid_custom_plugin.cc # TensorFlow 算子注册 │ └── CMakeLists.txt ├── cmake/ # CMake 构建脚本和工具 │ ├── config.cmake # 构建配置 │ ├── func.cmake # 构建函数 │ ├── intf.cmake # 接口定义 │ ├── makeself.cmake # 打包配置 │ └── util/ # 构建工具脚本（Python） ├── scripts/ # 安装和升级脚本 │ ├── install.sh # 算子安装脚本 │ ├── upgrade.sh # 算子升级脚本 │ └── help.info # 帮助信息 ├── CMakeLists.txt # 主构建文件 ├── CMakePresets.json # CMake 预设配置 └── build.sh # 构建脚本我们要对op_kernel下的sigmoid_custom.cpp与op_host下的sigmoid_custom.cpp和sigmoid_custom_tiling.h进行编码。
这里我们还需要修改CMakePresets.json文件中的配置，这里直接改修行了，后面我就不再重复。
配置文件改完后，对应的代码中也需要匹配。
3、理解代码：
查阅SigmoidCustom\op_host\sigmoid_custom_tiling.h文件
这里我先给个流程：
默认的代码情况，给出的是让考生自行定义tiling结构体成员变量。
我们需要定义 Tiling 数据结构 的两个成员变量，用于在昇腾设备上进行数据分块（Tiling）计算。
// 数据总长度（元素总数） TILING_DATA_FIELD_DEF(uint32_t, totalLength); // 分块数量（将数据分成多少块处理） TILING_DATA_FIELD_DEF(uint32_t, tileNum);totalLength: 输入张量的总元素数（例如：[8, 2048] = 16384）
tileNum: 数据分块数量，通常等于 BLOCK_DIM（8 个 AI Core）
作用: 优化大规模数据的并行计算，将数据分成多个块由不同的 AI Core 并行处理。
查阅SigmoidCustom\op_host\sigmoid_custom.cpp文件
太长了，我就弄成GIF的了。
那么对应的代码理论上您应该已经可以搞出来了。
1、计算输入张量的总元素数量（Total Length）
// GetInputShape(0): 获取第 0 个输入的形状信息。
// GetOriginShape(): 获取原始形状（不考虑动态形状）。
// GetShapeSize(): 计算形状的总元素数量（例如 [8, 2048] = 16384）。
我们这里定义一个context。
uint32_t totalLength = context->GetInputShape(0)->GetOriginShape().GetShapeSize();2、设置块维度到上下文，告诉框架使用多少个 AI Core 进行并行计算
根据const uint32_t BLOCK_DIM = 8;指定的AI Core 进行具体计算。
context->SetBlockDim(BLOCK_DIM);3、设置 Tiling 数据中的总长度字段
这个值会被传递到设备端内核代码，用于计算每个分块的大小和位置。
tiling.set_totalLength(totalLength);4、设置 Tiling 数据中的分块数量字段
这个值会被传递到设备端内核代码，用于确定循环次数（loopCount）。
tiling.set_tileNum(TILE_NUM);5、将 Tiling 数据保存到缓冲区中
GetRawTilingData()->GetData(): 获取原始 Tiling 数据的缓冲区指针。
GetRawTilingData()->GetCapacity(): 获取缓冲区的容量大小。
SaveToBuffer(): 将 tiling 结构体的数据序列化到缓冲区，供设备端内核读取。
tiling.SaveToBuffer(context->GetRawTilingData()->GetData(), context->GetRawTilingData()->GetCapacity());6、设置实际使用的 Tiling 数据大小
GetDataSize(): 获取序列化后的 Tiling 数据实际大小。
SetDataSize(): 告诉框架实际使用了多少字节的 Tiling 数据。
这个大小会被传递给设备端，用于正确读取 Tiling 数据。
context->GetRawTilingData()->SetDataSize(tiling.GetDataSize());7、获取工作空间（Workspace）大小数组的指针
GetWorkspaceSizes(1): 申请 1 个工作空间大小配置项。
Workspace 是算子执行时需要的临时内存空间，用于存储中间计算结果。
size_t *currentWorkspace = context->GetWorkspaceSizes(1);8、设置工作空间大小
设置工作空间大小为 0，表示 Sigmoid 算子不需要额外的临时内存空间。
Sigmoid 是逐元素计算，可以直接将结果写入输出，不需要中间缓冲区。
currentWorkspace[0] = 0;9、返回成功状态，表示 Tiling 计算完成
GRAPH_SUCCESS 表示图编译成功，可以继续后续的编译和执行流程。
return ge::GRAPH_SUCCESS;查阅SigmoidCustom\op_kernel\sigmoid_custom.cpp文件
就这个文件需要补充的多，但是逻辑上我们是清楚的，就是具体搞算法的过程呗。
具体的写之前我们再回顾一下整个关键主键：
应用层: AclNNInvocation 项目，用于测试和调用自定义算子。
框架层: TensorFlow 插件和 GE 图引擎，负责算子注册和图形化执行。
算子层: 算子定义、形状推理、Tiling 计算等主机端逻辑。
运行时层: ACL 运行时和调度器，负责任务调度和资源管理。
设备层: 内核代码和 AI Core，执行实际的计算任务。
注：块维度不能为零！分块数量不能为零！
函数理解：
sigmoid_custom.cpp ├─ 1. 头文件和常量定义 ├─ 2. KernelSigmoid 类 │ ├─ Init() 函数：准备工作 │ ├─ Process() 函数：执行计算 │ ├─ CopyIn() 函数：复制输入数据 │ ├─ Compute() 函数：执行 Sigmoid 计算 │ └─ CopyOut() 函数：复制输出数据 └─ 3. 内核入口函数整体逻辑：
第一步：理解整体结构
Init() → Process() → CopyIn/Compute/CopyOut
第二步：理解数据分块totalLength → blockLength → tileLength
第三步：理解内存操作全局内存 ↔ 本地缓冲区
第四步：理解计算过程Sigmoid 的数学公式和代码实现
第五步：理解优化机制双缓冲、并行化、流水线
//最终的处理 op.Init(x, y, tiling_data.totalLength, tiling_data.tileNum); op.Process();必要跳坑说明：
我们在处理最后的除法时要使用的是【AscendC::Div】函数，这点非常的重要，不要想着直接取反就行，那是完全不行的，是个大坑，要直接跳过去，我尝试了下面是错误的效果。
逻辑和坑都说明白了，自己需要重补一下代码哦。
三、校验代码效果
这里需要先启动服务器，然后再进行基础环境搭建，编译完成后最后去校验即可。
1、服务器启动
我使用的是华为云的ModelArts的Notebook来操作的，这里要注意只有贵阳一有哦。
选完启动即可，启动时间长一点。
创建个【Terminal】运行各类命令。
在根目录进行操作即可。
通过下面的命令直接下载到服务器上即可。
wget https://obs-9be7.obs.cn-east-2.myhuaweicloud.com/AscendC/SigmoidCustom.zip
下载完毕后使用下面命令解压即可。
unzip SigmoidCustom.zip
我们已经修改了对应的代码，把已经修改过的代码进行替换掉服务器上的文件即可。
我们环境是ascend910b的，所以处理一下，再次重申哦。
改完效果：
2、编码修改
SigmoidCustom\op_host\sigmoid_custom_tiling.h
SigmoidCustom\op_host\sigmoid_custom.cpp
SigmoidCustom\op_kernel\sigmoid_custom.cpp
代码都需要自己补充，我的逻辑给的很清晰了。
完成后我们就要去编译工作了。
3、编译操作
编译之前一定要运行一下，给予对应的运行权限。
给权限的目录是：
SigmoidCustom/SigmoidCustom/build_out
给权限的命令：
chmod +x -R *
4、校验操作
在SigmoidCustom/AclNNInvocation文件夹下校验，校验命令。
bash run.sh
我们把文件夹压缩一下提交即可。
zip -r SigmoidCustom.zip SigmoidCustom
5、提交拿证
提交通过会给提示，我们可以看到。
第二天拿证：
总结
本文分享了AscendC算子开发能力认证(中级)考试的经验心得。考试围绕Sigmoid算子开发展开，详细介绍了考前准备、考试环境搭建、题目分析和代码编写过程。
重点解析了Sigmoid函数的数学特性、核心用途以及具体实现方法，包括Tiling数据结构定义、主机端和设备端代码编写要点。文章还提供了编译运行和验证的具体步骤，并提醒注意使用AscendC::Div函数等关键细节。
最后说明了提交方式和证书获取流程，为考生顺利通过认证提供了实用指导，希望能为大家提供到帮助。
2025年昇腾CANN训练营第二季，基于CANN开源开放全场景，推出0基础入门系列、码力全开特辑、开发者案例等专题课程，助力不同阶段开发者快速提升算子开发技能。获得Ascend C算子中级认证，即可领取精美证书，完成社区任务更有机会赢取华为手机，平板、开发板等大奖。
报名链接：https://www.hiascend.com/developer/activities/cann20252
社区地址：https://www.hiascend.com/developer
