triton.language.make_tensor_descriptor

1. OP 概述

简介：创建张量描述符对象原型（Triton3.4.0版本）：

triton.language.make_tensor_descriptor(
 base: tensor,
 shape: List[tensor],
 strides: List[tensor],
 block_shape: List[constexpr],
 _semantic=None
) → tensor_descriptor

2. OP 规格

2.1 参数说明

参数名	类型	说明
`base`	`tensor`	张量的基指针
`shape`	`List[tensor]`	张量的形状
`strides`	`List[tensor]`	张量各维度的步长列表，约束如下：- 前面的维度必须是 16 字节的整数倍- 最后一维必须是连续存储的
`block_shape`	`List[constexpr]`	从全局内存加载 / 存储的块的形状
`_semantic`	-	保留参数，暂不支持外部调用

返回值： tensor_descriptor：张量描述符对象（不可直接进行算术运算，需配合 load / store 使用）

2.2 支持规格

2.2.1 DataType 支持

	uint8	int8	uint16	int16	uint32	int32	uint64	int64	fp16	fp32	bf16	bool/int1
GPU	√	√	√	√	√	√	√	√	√	√	√	×
Ascend A2/A3	√	√	x	√	×	√	×	√	√	√	√	×

2.2.2 Shape 支持

	支持维度范围
GPU	仅支持 1~5维 tensor
Ascend A2/A3	仅支持 1~5维 tensor

结论：在 Shape 方面，GPU 与 Ascend 平台无差异，均支持 1 至 5 维张量。

2.3 特殊限制说明

相对社区能力缺失且无法实现

结论：Ascend 对比 GPU 缺失uint16、uint32、uint64的支持能力（硬件限制）。

差异点	描述	解决途径
绑定使用限制	`make/load/store_tensor_descriptor` 需配套使用，不能与 `tl.load()` / `tl.store()` 混用。	升级至 Triton 3.4.0 版本同步上游函数(如 `cast` )可解决
不支持`padding_option`入参	当前社区主线分支新增`padding_option`入参，用于越界元素填充策略。	可软件开发支持
Triton 版本兼容性	Triton 3.2.0 存在部分函数（如 `cast` ）的兼容性问题。建议升级 Triton版本至 3.4.0 来修复绑定限制。	升级至 Triton 3.4.0

2.4 使用方法

以下示例实现了对输入张量 x 做就地绝对值计算：

@triton.jit
def inplace_abs(in_out_ptr, M, N, M_BLOCK: tl.constexpr, N_BLOCK: tl.constexpr):
    # 创建张量描述符
    desc = tl.make_tensor_descriptor(
        in_out_ptr,
        shape=[M, N],
        strides=[N, 1],
        block_shape=[M_BLOCK, N_BLOCK],
    )
 # 计算当前线程对应的偏移量
    moffset = tl.program_id(0) * M_BLOCK
    noffset = tl.program_id(1) * N_BLOCK
 # 加载数据，计算绝对值，存储结果
    value = desc.load([moffset, noffset])
    desc.store([moffset, noffset], tl.abs(value))
## 初始化张量
M, N = 256, 256
x = torch.randn(M, N, device="npu")
## 配置块大小和网络
M_BLOCK, N_BLOCK = 32, 32
grid = (M // M_BLOCK, N // N_BLOCK)
inplace_abs[grid](x, M, N, M_BLOCK, N_BLOCK)