企业官网建设流程全解析

AscendSiPBoost 信号处理加速库实战：环境构建、算子编译与C++调用指南

【免费下载链接】sip本项目是CANN提供的一款高效、可靠的高性能信号处理算子加速库，基于华为Ascend AI处理器，专门为信号处理领域而设计。项目地址: https://gitcode.com/cann/sip

本文以 CANN / sip 开源仓库（AscendSiPBoost，下文简称 SiP 库）为对象，系统介绍其在华为 Ascend AI 处理器上的环境搭建、编译构建、安装部署与 C++ 算子调用全流程。读完本文，你将掌握如何从零安装 CANN 依赖、配置目标芯片架构、编译生成 SiP 安装包，并通过asdBlasSdot示例跑通首个信号处理算子，同时了解该库六大功能体系与自定义算子开发的入门路径。

一、什么是 SiP 库：面向信号处理的昇腾加速库

Ascend Signal Processing Boost（昇腾信号处理加速库，下文简称 SiP 库）基于华为 Ascend AI 处理器打造，深度适配硬件算力、存储及内存带宽特性，提供 FFT、BLAS、FIR 滤波、插值等高性能 NPU 算子，为信号处理领域提供高效可靠的算力加速。项目于 2025 年 10 月首次上线，仓库根目录的 README.md 是对该库最权威的入口级说明。

加速库接口功能主要分成六个部分：

上述六大模块在仓库结构中均有对应落地：公开头文件统一收敛在 include/asdsip.h，该文件聚合了base_api.h、blas_api.h、fft_api.h、filter_api.h、interp_api.h与domain/rs_api.h六个子头文件；核心实现分别位于core/base（复数基础计算）、core/blas（BLAS 实现）、core/fft（FFT 与 PLAN 框架）、core/filter（FIR 卷积滤波）等目录；算子 Kernel 与 tiling 代码则按算子组织在 ops 目录下，并通过 configs/op_list.yaml 统一登记各算子在具体芯片架构上的可用性（例如SdotF32Kernel、FftC2RC64Kernel、ConvolveKernel均在此列表中按ascend910b/ascend950维度声明）。

二、学习资源与文档地图

开始动手前，建议先建立文档地图：

• 编译与构建：docs/compilation_build.md 详细说明 SiP 库的编译命令、构建参数、芯片架构配置与关键文件；
• 算子开发入门：docs/developing_a_simple_operator.md 以 Conj 算子为例，讲解从零为 SiP 开发一个算子的完整流程；
• 头文件与库文件清单：docs/header_files_library_files.md 说明公开头文件与产物库文件的组织方式；
• API 参考：仓库 docs/zh/API_Reference 目录按 BLAS、FFT、Filter、Interpolation、base 等分类收录了各算子的接口说明文档（如 Asum.md、FFT_1D.md 等）；
• 调用示例：example 目录存放了不依赖测试框架、即编即用的算子调用 Demo；
• 问题报告：通过仓库 Issues 提交使用中遇到的问题。

三、环境构建：依赖安装与 CANN 软件部署

3.1 依赖清单与一键安装

本项目源码编译依赖如下工具与三方库，请注意版本要求：

上述系统级依赖可通过项目脚本一键安装：

bash install_deps.sh

从 install_deps.sh 源码看，该脚本会自动探测操作系统（支持 Debian 系 apt、RHEL/openEuler 系 dnf/yum、macOS 系 brew），逐一检查并安装 python、gcc、cmake、pigz、dos2unix、git 与 googletest（googletest 从gitcode.com/cann-src-third-party/googletest下载v1.14.0源码编译安装到/usr/local）。

安装完后，再通过项目根目录的 requirements.txt 继续安装 python 三方库依赖：

pip3 install -r requirements.txt

requirements.txt 内容为numpy、setuptools、wheel三个包。

3.2 安装社区版 CANN toolkit 包

Atlas A2/A3 系列产品：从 CANN 社区版发布仓库获取软件包，选择最新时间版本，并根据产品型号和环境架构下载对应包。

# 确保安装包具有可执行权限 chmod +x Ascend-cann-toolkit_${cann_version}_linux-${arch}.run # 安装命令 ./Ascend-cann-toolkit_${cann_version}_linux-${arch}.run --install --force --install-path=${install_path}

参数说明：

• ${cann_version}：表示 CANN 包版本号；
• ${arch}：表示 CPU 架构，如aarch64、x86_64；
• ${install_path}：表示指定安装路径，默认安装在/usr/local/Ascend目录。

3.3 安装社区版 CANN ops 包

Atlas A2/A3 系列产品：同样从 CANN 社区版发布仓库获取软件包，选择最新时间版本，并根据产品型号和环境架构下载对应包。

# 确保安装包具有可执行权限 chmod +x Ascend-cann-${soc_name}-ops_${cann_version}_linux-${arch}.run # 安装命令 ./Ascend-cann-${soc_name}-ops_${cann_version}_linux-${arch}.run --install --install-path=${install_path}

参数说明：

• ${soc_name}：表示 NPU 型号名称，即${soc_version}删除 “ascend” 后剩余的内容；
• ${install_path}：表示指定安装路径，需要与 toolkit 包安装在相同路径，默认安装在/usr/local/Ascend目录。

3.4 环境变量配置

# 默认路径安装，以root用户为例（非root用户，将/usr/local替换为${HOME}） source /usr/local/Ascend/cann/set_env.sh # 指定路径安装 # source ${install_path}/cann/set_env.sh

安装 CANN 之后，可参考 CANN 官方文档中的依赖列表与安装后操作章节安装其他辅助工具。需要注意，SiP 库编译所需的ASCEND_HOME_PATH等环境即由此步骤提供，构建前务必先加载对应的 CANN 环境。

四、SiP 库编译：从源码到安装包

4.1 下载源码与基本编译

git clone https://gitcode.com/cann/sip.git

克隆后可自行选择需要的分支。随后进入仓库根目录执行编译：

cd ${sip_root_path} bash build.sh

关于编译过程有几点特别说明：

• 支持范围：上述编译方式仅支持编译通过 git 下载的加速库，以 zip 压缩包方式下载的加速库不支持该编译方式；
• 联网要求：由于编译过程需要联网下载依赖库，因此编译环境需要联网；
• 两个阶段：编译过程包括①获取并编译 ascend-boost-comm（昇腾分布式通信加速库）组件；②编译信号加速库。更多命令介绍可查看仓库根目录 build.sh。

从 build.sh 源码看，首次编译时脚本会自动克隆ascend-boost-comm（master 分支）与catlass两个依赖仓库到3rdparty目录，编译 mki 组件后执行cmake -B build -S .，随后以make -j64并行编译并make install，最终调用 makeself 打包生成 run 安装包。脚本支持的参数还包括：

4.2 编译目标芯片架构配置

SiP 库支持多种 Ascend 芯片架构，编译时通过 configs/build_config.json 配置需要编译的目标芯片。该文件内容如下：

{ "targets": { "ascend310b": false, "ascend310p": false, "ascend910b": true, "ascend950": true } }

各字段含义说明：

将需要编译的目标设置为true，不需要编译的目标设置为false。

重要注意：默认配置同时启用了ascend910b和ascend950两个目标。若你的运行环境仅支持其中一种芯片（例如仅支持 Ascend910），请将不支持的芯片架构设置为false，否则编译不支持的芯片目标时会因硬件特性不匹配而失败（典型报错如simd_vf function 'RegCompute' must be a free function or static member function）。

除修改项目自带配置文件外，还可通过环境变量BUILD_CONFIG_FILE指定自定义的配置文件路径：

export BUILD_CONFIG_FILE=/path/to/your/build_config.json bash build.sh

关于配置读取机制，docs/compilation_build.md 给出了源码级解释：编译系统实际读取的配置文件由 scripts/build_util.py 中的get_build_target_list()函数决定。未设置BUILD_CONFIG_FILE时默认读取项目根目录configs/build_config.json；设置后读取指定路径。项目依赖的 mki 组件虽也带有configs/build_config.json，但 SiP 编译流程以项目自身的配置文件为准，无需修改3rdparty/mki/下的配置。

同时，CANN 版本会影响 A5（ascend950）内核的编译行为：CANN 版本低于 9.1.0 时，即使配置启用了ascend950，也会自动跳过全部 A5 设备内核，主机库和其他已启用架构的内核仍会编译；CANN 9.1.0 及以上版本按原配置编译 A5 内核。配置阶段会打印检测到的 CANN 版本和实际编译的目标架构——版本取自当前ASCEND_HOME_PATH下的include/version/cann_version.h（无法读取时使用compiler/version.info）。当前仓库 version.info 标注的版本为 9.1.0。请求 A5 但无法确定版本，或过滤后没有兼容的设备目标时，配置会报错。

4.3 编译产物与安装

编译完成后，build.sh 会通过 makeself 打包生成Ascend-cann-SIP_${version}_linux_${arch}.run。该文件是包含算子执行所需文件的可执行安装包，通过以下命令安装：

# 确保安装包具有可执行权限 chmod +x Ascend-cann-SIP_${version}_linux_${arch}.run # 安装命令 ./Ascend-cann-SIP_${version}_linux_${arch}.run --install --install-path=${install_path} # 设置加速库环境变量 source ${install_path}/asdsip/set_env.sh

编译输出目录（默认output）中的关键文件包括：

• output/lib/libasdsip.so：SiP 加速库的动态链接库文件；
• output/lib/libmki.so：MKI 库的动态链接库文件；
• scripts/install.sh/scripts/uninstall.sh/scripts/set_env.sh：安装、卸载与环境变量设置脚本；
• output/version.info：版本信息文件（记录包名、版本、平台、分支与 commit id）。

scripts/set_env.sh 是进程级环境变量设置脚本，source后自动完成环境变量设置，用户进程结束后自动失效。

4.4 编译相关关键文件一览

五、快速上手：C++ 调用算子示例

SiP 仓库的 example 目录下存放了多个不依赖测试框架、即编即用的算子调用 Demo。以下示例展示通过 C++ 调用 SiPasdBlasSdot算子实现向量点乘（内积）功能，代码完整内容可参考 example/example.cpp，核心内容如下：

int main(int argc, char **argv) { // 设置算子使用的device id int deviceId = 0; //（固定写法）创建执行流 aclrtStream stream; Init(deviceId, &stream); // 创造tensor的Host侧数据 int64_t n = 5; int64_t incx = 1; int64_t incy = 1; int64_t xSize = 5; std::vector<float> tensorInXData; tensorInXData.resize(xSize); for (int64_t i = 0; i < xSize; i++) { tensorInXData[i] = 1.0 + i; } int64_t ySize = 5; std::vector<float> tensorInYData; tensorInYData.resize(xSize); for (int64_t i = 0; i < ySize; i++) { tensorInYData[i] = 10.0 + i; } int64_t resultSize = 1; std::vector<float> resultData; resultData.resize(resultSize); std::cout << "------- input x -------" << std::endl; for (int64_t i = 0; i < xSize; i++) { std::cout << tensorInXData[i] << " "; } std::cout << std::endl; std::cout << "------- input y -------" << std::endl; for (int64_t i = 0; i < ySize; i++) { std::cout << tensorInYData[i] << " "; } std::cout << std::endl; // 创造输入/输出tensor std::vector<int64_t> xShape = {xSize}; std::vector<int64_t> yShape = {ySize}; std::vector<int64_t> resultShape = {resultSize}; aclTensor *inputX = nullptr; aclTensor *inputY = nullptr; aclTensor *result = nullptr; void *inputXDeviceAddr = nullptr; void *inputYDeviceAddr = nullptr; void *resultDeviceAddr = nullptr; CreateAclTensor(tensorInXData, xShape, &inputXDeviceAddr, aclDataType::ACL_FLOAT, &inputX); CreateAclTensor(tensorInYData, yShape, &inputYDeviceAddr, aclDataType::ACL_FLOAT, &inputY); CreateAclTensor(resultData, resultShape, &resultDeviceAddr, aclDataType::ACL_FLOAT, &result); // 创建算子执行句柄 asdBlasHandle handle; asdBlasCreate(handle); // 创造算子执行所需workspace size_t lwork = 0; void *buffer = nullptr; asdBlasMakeDotPlan(handle); asdBlasGetWorkspaceSize(handle, lwork); if (lwork > 0) { aclrtMalloc(&buffer, static_cast<int64_t>(lwork), ACL_MEM_MALLOC_HUGE_FIRST); } asdBlasSetWorkspace(handle, buffer); // 配置算子执行信息 asdBlasSetStream(handle, stream); // 调用接口执行算子（固定调用逻辑） asdBlasSdot(handle, n, inputX, incx, inputY, incy, result); asdBlasSynchronize(handle); // 调用算子后销毁算子句柄 asdBlasDestroy(handle); // 将输出tensor的Device侧数据复制到Host侧内存上 aclrtMemcpy(resultData.data(), resultSize * sizeof(float), resultDeviceAddr, resultSize * sizeof(float), ACL_MEMCPY_DEVICE_TO_HOST); std::cout << "------- result -------" << std::endl; for (int64_t i = 0; i < 1; i++) { std::cout << resultData[i] << " "; } std::cout << std::endl; // 资源释放 aclDestroyTensor(inputX); aclDestroyTensor(inputY); aclDestroyTensor(result); aclrtFree(inputXDeviceAddr); aclrtFree(inputYDeviceAddr); aclrtFree(resultDeviceAddr); if (lwork > 0) { aclrtFree(buffer); } // 调用算子后重置算子使用的deviceId aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }

从源码结构看，该示例的调用流程可概括为「acl 初始化 → Host 数据准备 → 通过CreateAclTensor申请 Device 内存并创建aclTensor→ 创建算子句柄 → 查询并设置 workspace → 设置执行流 → 调用asdBlasSdot执行 → 同步并回拷结果 → 释放资源」，这一套「句柄 + Plan + workspace + stream」的调用范式同样适用于 FFT、Filter 等其他算子。

编译与执行：进入 example 目录，执行bash build.sh完成编译和执行：

cd example bash build.sh

运行前需先配置好 CANN 环境变量与 SiP 环境变量：

# 配置CANN环境变量（默认安装路径） source /usr/local/Ascend/ascend-toolkit/set_env.sh # 编译SiP并设置加速库环境变量 cd ${SiP_root_path} bash build.sh source output/set_env.sh

具体说明可参考 example/README.md。示例中生成的数据不代表实际场景，可根据具体使用场景进行数据修改。

样例安全声明

example目录下的样例旨在提供快速上手、开发和调试 SiP 特性的最小化实现，其核心目标是使用最精简的代码展示 SiP 核心功能，而非提供生产级的安全保障。与成熟的生产级使用方法相比，此样例中的安全功能（如输入校验、边界校验）相对有限。SiP 不推荐用户直接将样例作为业务代码，也不保证此种做法的安全性。若用户将example中的示例代码应用在自身的真实业务场景中且发生了安全问题，则由用户自行承担。

六、日志与环境变量

加速库日志目前已部分适配 CANN 日志，相关环境变量说明可参考 CANN 社区版文档的环境变量参考章节（对应仓库内文档可参见 docs/zh/Installation_Operation_Guide/environment_variable.md 与 docs/zh/Installation_Operation_Guide/security_hardening.md）。日志实现位于 core/utils/include/log 目录，包含日志实体、文件落盘、标准输出等组件，并可通过环境变量控制日志级别与输出行为。

七、自定义算子开发

如果希望基于 SiP 框架开发自己的 NPU 算子，可参考 docs/developing_a_simple_operator.md，该教程以 Conj（共轭）算子为例，说明了完整开发流程：

1. 在core/base目录下新增算子 Host 侧接口文件（如conj.cpp），实现Conj(const Tensor &inTensor, Tensor &outTensor, void *stream, uint8_t *workspace)之类的入口函数，内部构造OpDesc并调用RunAsdOps执行；
2. 在ops/base下新增算子目录，存放算子接入 SiP 框架部分以及 tiling 和 kernel 代码（如conj_operation.cpp、conj_kernel.cpp、op_kernel/与tiling/子目录）；
3. 在ops/include/params/下新增算子参数结构体定义（如 conj.h），供OpDesc的specificParam使用；
4. 将算子登记进 configs/op_list.yaml，声明其在各芯片架构（ascend910b/ascend950）上的可用性。

仓库中已有大量可参照的算子实现样例，例如 ops/base/conj、ops/blas/dot、ops/fft 等，可结合 ops/include/params 中的参数定义逐一对照学习。

八、参与贡献

SiP 库欢迎社区开发者参与贡献，流程如下：

1. fork 仓库
2. 修改并提交代码
3. 新建 Pull-Request

详细步骤可参考 docs/contributing_guide.md。

结语

本文以仓库 README.md 为主线，完整梳理了 AscendSiPBoost 从环境准备、CANN 安装、芯片架构配置、源码编译、安装部署到 C++ 算子调用的全链路操作，并深入到了 build.sh、install_deps.sh、configs/build_config.json、example/example.cpp 等源码与配置层面进行印证。基于这套流程，你可以快速在一台搭载 Ascend A2/A3 系列（ascend910b）或 Ascend 950 系列（ascend950）处理器的环境中跑通首个信号处理算子，并进一步沿着「自定义算子开发」章节向 SiP 框架中贡献属于自己的 FFT、BLAS 或融合算子。

【免费下载链接】sip本项目是CANN提供的一款高效、可靠的高性能信号处理算子加速库，基于华为Ascend AI处理器，专门为信号处理领域而设计。项目地址: https://gitcode.com/cann/sip