news 2026/7/17 13:50:36

CANN/asc-devkit反量化API文档

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
CANN/asc-devkit反量化API文档

AscendDequant

【免费下载链接】asc-devkit本项目是CANN 推出的昇腾AI处理器专用的算子程序开发语言，原生支持C和C++标准规范，主要由类库和语言扩展层构成，提供多层级API，满足多维场景算子开发诉求。项目地址: https://gitcode.com/cann/asc-devkit

产品支持情况

  • Ascend 950PR/Ascend 950DT：支持
  • Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持
  • Atlas A2 训练系列产品/Atlas A2 推理系列产品：支持
  • Atlas 200I/500 A2 推理产品：不支持
  • Atlas 推理系列产品AI Core：支持
  • Atlas 推理系列产品Vector Core：不支持
  • Atlas 训练系列产品：不支持
  • Kirin X90：支持
  • Kirin 9030：支持

功能说明

按元素做反量化计算，比如将int32_t数据类型反量化为half/float等数据类型。本接口最多支持输入为二维数据，不支持更高维度的输入。

  • 假设输入srcTensor的shape为**（m, n），每行数据（即n个输入数据）所占字节数要求32字节对齐**，每行中进行反量化的元素个数为calCount；
  • 反量化系数deqScale可以为标量或者向量，为向量的情况下，calCount <= deqScale的元素个数，只有前CalCount个反量化系数生效；
  • 输出dstTensor的shape为**（m, n_dst）， n * sizeof(dstT)不满足32字节对齐时，需要向上补齐为32字节**，n_dst为向上补齐后的列数。

下面通过两个具体的示例来解释参数的配置和计算逻辑（下文中DequantParams类型为存储shape信息的结构体{m, n, calCount}）：

  • 如下图示例中，srcTensor的数据类型为int32_t，m = 4，n = 8，calCount = 4，表明srcTensor中每行进行反量化的元素个数为4，deqScale中的前4个数生效，后12个数不参与反量化计算；dstTensor的数据类型为bfloat16_t，m = 4，n_dst = 16 (16 * sizeof(bfloat16_t) % 32 = 0)。计算逻辑是srcTensor的每n个数为一行，对于每行中的前calCount个元素，该行srcTensor的第i个元素与deqScale的第i个元素进行相乘写入dstTensor对应行的第i个元素，dstTensor对应行的第calCount + 1个元素~第n_dst个元素均为不确定的值。

  • 如下示例中，srcTensor的数据类型为int32_t，m = 4，n = 8， calCount = 4，表明srcTensor中每行进行反量化的元素个数为4；dstTensor的数据类型为float，m = 4，n_dst = 8 (8 * sizeof(float) % 32 = 0)。对于srcTensor每行中的前4个元素都和标量deqScale相乘并写入dstTensor中每行的对应位置。

当用户将模板参数中的mode配置为DEQUANT_WITH_SINGLE_ROW时：

针对DequantParams {m, n, calCount}，若同时满足以下3个条件：

  1. m = 1
  2. calCount为32 / sizeof(dstT)的倍数
  3. n % calCount = 0

此时 {1, n, calCount}会被视作为** {n / calCount, calCount, calCount}** 进行反量化的计算。

具体效果可看下图所示，传入的DequantParams为 {1, 16, 8}。因为dstT为float，所以calCount满足为8的倍数，在DEQUANT_WITH_SINGLE_ROW模式下会将{1, 2 * 8, 8}转换为 {2, 8, 8}进行计算。

  • PER_TOKEN反量化：srcTensor的每组token（token为n方向，共有m组token）中的元素共享一组deqscale参数，srcTensor为[m, n]时，deqscale为[m, 1]。

  • PER_GROUP反量化：这里定义group的计算方向为k方向，srcTensor在k方向上每groupSize个元素共享一组deqscale参数。srcTensor为[m, n]时，如果kDim=0，表示k是m方向，deqscale为[(m + groupSize - 1) / groupSize, n]；如果kDim=1，表示k是n方向，deqscale的shape为[m，(n + groupSize - 1) / groupSize]。

    • kDim=0：

    • kDim=1：

实现原理

以数据类型int32_t，shape为[m, n]的输入srcTensor，数据类型scaleT，shape为[n]的输入deqScale和数据类型dstT，shape为[m, n]的输出dstTensor为例，描述AscendDequant高阶API内部算法框图，如下图所示。

图1AscendDequant内部算法框图
![](https://raw.gitcode.com/cann/asc-devkit/raw/1680a8274bf627fb844cc7e09f9e1a9e99e24425/docs/zh/api/figures/AscendDequant内部算法框图.png "AscendDequant内部算法框图"?utm_source=gitcode_repo_files)

计算过程分为如下几步，均在Vector上进行：

  1. 精度转换：将srcTensor和deqScale都转换成FP32精度的tensor，分别得到srcFP32和deqScaleFP32；
  2. Mul计算：srcFP32一共有m行，每行长度为n；通过m次循环，将srcFP32的每行与deqScaleFP32相乘，通过mask控制仅对前dequantParams.calcount个数进行mul计算，图中index的取值范围为 [0, m)，对应srcFP32的每一行；计算所得结果为mulRes，shape为[m, n]；
  3. 结果数据精度转换：mulRes从FP32转换成dstT类型的tensor，所得结果为dstTensor，shape为[m, n]。

PER_TOKEN/PER_GROUP场景下，输入srcTensor数据类型是int32_t/float，此时内部算法框图如下所示。

图2AscendDequant PER_TOKEN/PER_GROUP内部算法框图
![](https://raw.gitcode.com/cann/asc-devkit/raw/1680a8274bf627fb844cc7e09f9e1a9e99e24425/docs/zh/api/figures/AscendDequant-PER_TOKEN-PER_GROUP内部算法框图.png "AscendDequant-PER_TOKEN-PER_GROUP内部算法框图"?utm_source=gitcode_repo_files)

PER_TOKEN/PER_GROUP场景的计算逻辑如下：

  1. 读取数据：连续读取输入srcTensor；根据不同的场景，对输入deqscale，采用不同的读取方式；例如，PER_TOKEN场景做Broadcast处理，PER_GROUP场景做Gather处理；
  2. 精度转换：根据不同输入的数据类型组合，对srcTensor/deqscale进行相应的数据类型转换；
  3. 计算：对类型转换后的srcTensor和deqscale数据做乘法；
  4. 精度转换：将上述计算得到的结果转换成dstT类型，得到最终输出。

函数原型

  • 反量化参数deqScale为矢量

    • 通过sharedTmpBuffer入参传入临时空间

      template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const LocalTensor<scaleT>& deqScale, const LocalTensor<uint8_t>& sharedTmpBuffer, DequantParams params)

    • 接口框架申请临时空间

      template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const LocalTensor<scaleT>& deqScale, DequantParams params)

    • PER_TOKEN/PER_GROUP量化

      仅支持Ascend 950PR/Ascend 950DT。

      • 通过sharedTmpBuffer入参传入临时空间

        template <typename dstT, typename srcT, typename scaleT, const AscendDeQuantConfig& config, const AscendDeQuantPolicy& policy> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<srcT>& srcTensor, const LocalTensor<scaleT>& scaleTensor, const LocalTensor<scaleT>& offsetTensor, const LocalTensor<uint8_t>& sharedTmpBuffer, const AscendDeQuantParam& para)

      • 接口框架申请临时空间

        template <typename dstT, typename srcT, typename scaleT, const AscendDeQuantConfig& config, const AscendDeQuantPolicy& policy> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<srcT>& srcTensor, const LocalTensor<scaleT>& scaleTensor, const LocalTensor<scaleT>& offsetTensor, const AscendDeQuantParam& para)

  • 反量化参数deqScale为标量

    • 通过sharedTmpBuffer入参传入临时空间

      template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const scaleT deqScale, const LocalTensor<uint8_t>& sharedTmpBuffer, DequantParams params)

    • 接口框架申请临时空间

      template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const scaleT deqScale, DequantParams params)

由于该接口的内部实现中涉及复杂的数学计算，需要额外的临时空间来存储计算过程中的中间变量。临时空间支持接口框架申请和开发者通过sharedTmpBuffer入参传入两种方式。

  • 接口框架申请临时空间，开发者无需申请，但是需要预留临时空间的大小。

  • 通过sharedTmpBuffer入参传入，使用该tensor作为临时空间进行处理，接口框架不再申请。该方式开发者可以自行管理sharedTmpBuffer内存空间，并在接口调用完成后，复用该部分内存，内存不会反复申请释放，灵活性较高，内存利用率也较高。

接口框架申请的方式，开发者需要预留临时空间；通过sharedTmpBuffer传入的情况，开发者需要为sharedTmpBuffer申请空间。临时空间大小BufferSize的获取方式如下：通过GetAscendDequantMaxMinTmpSize中提供的GetAscendDequantMaxMinTmpSize接口获取需要预留空间的范围大小。

以下接口不推荐使用，新开发内容不要使用如下接口：

template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const LocalTensor<scaleT>& deqScale, const LocalTensor<uint8_t>& sharedTmpBuffer, const uint32_t calCount)
template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const LocalTensor<scaleT>& deqScale, const LocalTensor<uint8_t>& sharedTmpBuffer)
template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const LocalTensor<scaleT>& deqScale, const uint32_t calCount)
template <typename dstT, typename scaleT, DeQuantMode mode = DeQuantMode::DEQUANT_WITH_SINGLE_ROW> __aicore__ inline void AscendDequant(const LocalTensor<dstT>& dstTensor, const LocalTensor<int32_t>& srcTensor, const LocalTensor<scaleT>& deqScale)

参数说明

表1模板参数说明

参数名描述
dstT目的操作数的数据类型。
scaleTdeqScale的数据类型。
mode决定当DequantParams为{1, n, calCount}时的计算逻辑，传入enum DeQuantMode，支持以下2 种配置：
DEQUANT_WITH_SINGLE_ROW：当DequantParams {m, n, calCount} 同时满足以下条件：1、m = 1；2、calCount为32 / sizeof(dstT)的倍数；3、n % calCount = 0时，即 {1, n, calCount} 会当作 {n / calCount, calCount, calCount} 进行计算。
DEQUANT_WITH_MULTI_ROW：即使满足上述所有条件，{1, n, calCount} 依然只会当作 {1, n, calCount} 进行计算，即总共n个数，前calCount个数进行反量化的计算。

表2PER_TOKEN/PER_GROUP场景模板参数说明

参数名描述
srcT源操作数的数据类型。
config量化接口配置参数，AscendDeQuantConfig类型，定义如下方代码所示，其中参数的含义如下。
hasOffset：量化参数offset是否参与计算。True：表示offset参数参与计算。False：表示offset参数不参与计算。
kDim：group的计算方向，即k方向。仅在PER_GROUP场景有效，支持的取值如下。0：k轴是第0轴，即m方向为group的计算方向；1：k轴是第1轴，即n方向为group的计算方向。
policy量化策略配置参数，AscendDeQuantPolicy枚举类型，可取值如下：
PER_TOKEN：配置为PER_TOKEN模式。
PER_GROUP：配置为PER_GROUP模式。
PER_CHANNEL_PER_GROUP：预留参数，暂不支持。
PER_TOKEN_PER_GROUP：预留参数，暂不支持。
struct AscendDeQuantConfig { bool hasOffset; int32_t kDim = 1; };

表3接口参数说明

参数名输入/输出描述
dstTensor输出目的操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。不同型号支持的数据类型请参考dstTensor支持的数据类型。
dstTensor的行数和srcTensor的行数保持一致。
n * sizeof(dstT)不满足32字节对齐时，需要向上补齐为32字节，n_dst为向上补齐后的列数。如srcTensor数据类型为int32_t，shape为(4, 8)，dstTensor为bfloat16_t，则n_dst应从8补齐为16，dstTensor shape为(4, 16)。补齐的计算过程为：n_dst = (8 * sizeof(bfloat16_t) + 32 - 1) / 32 * 32 / sizeof(bfloat16_t)。
srcTensor输入源操作数。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。支持的数据类型为：int32_t。

shape为 [m, n]，n个输入数据所占字节数要求32字节对齐。
deqScale输入源操作数。类型为标量或者LocalTensor。类型为LocalTensor时，支持的TPosition为VECIN/VECCALC/VECOUT。不同型号支持的数据类型请参考deqScale支持的数据类型。

dstTensor、srcTensor、deqScale支持的数据类型组合请参考表5和表6。
sharedTmpBuffer输入临时缓存。类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。支持的数据类型为：uint8_t。

临时空间大小BufferSize的获取方式请参考GetAscendDequantMaxMinTmpSize。
params输入srcTensor的shape信息。DequantParams类型，定义如下方代码所示，其中参数的含义如下。
m：srcTensor的行数。
n：srcTensor的列数。
calCount：针对srcTensor每一行，前calCount个数为有效数据，与deqScale的前calCount个数或者deqScale标量进行乘法计算。

请注意：
DequantParams.n * sizeof(T)必须是32字节的整数倍，T为srcTensor中元素的数据类型。
因为是每n个数中的前calCount个数进行乘法运算，因此DequantParams.n和calCount需要满足以下关系：1 <= DequantParams.calCount <= DequantParams.n。
deqScale为矢量时，DequantParams.calCount <= deqScale的元素个数。
struct DequantParams { uint32_t m; uint32_t n; uint32_t calCount; };

表4PER_TOKEN/PER_GROUP场景接口参数说明

参数名输入/输出描述
dstTensor输出目的操作数。支持的数据类型为：half、bfloat16_t、float。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。
srcTensor输入源操作数。支持的数据类型为：int32_t、float。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。
sharedTmpBuffer输入临时缓存。支持的数据类型为：uint8_t。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。

临时空间大小BufferSize的获取方式请参考GetAscendQuantMaxMinTmpSize。
scaleTensor输入量化参数scale。支持的数据类型为：half、bfloat16_t、float。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。
offsetTensor输入量化参数offset。支持的数据类型和scaleTensor保持一致。预留参数，当前暂不支持。

类型为LocalTensor，支持的TPosition为VECIN/VECCALC/VECOUT。
para输入反量化接口的参数，定义如下方代码所示，其中参数的含义如下。
m：m方向元素个数。
n：n方向元素个数。n值对应的数据大小需满足32B对齐的要求，即shape最后一维为n的输入输出均需要满足该维度上32B对齐的要求。
calCount：参与计算的元素个数。calCount必须是n的整数倍。
groupSize ：PER_GROUP场景有效，表示groupSize行/列数据共用一个scale/offset。groupSize的取值必须大于0且是32的整倍数。
struct AscendDeQuantParam { uint32_t m; uint32_t n; uint32_t calCount; uint32_t groupSize = 0; };

表5支持的数据类型组合（deqScale为LocalTensor）

dstTensorsrcTensordeqScale
halfint32_tuint64_t

注意：当deqScale的数据类型是uint64_t时，数值低32位是参与计算的数据，数据类型是float，数值高32位是一些控制参数，本接口不使用。
floatint32_tfloat
floatint32_tbfloat16_t
bfloat16_tint32_tbfloat16_t
bfloat16_tint32_tfloat

表6支持的数据类型组合（deqScale为标量）

dstTensorsrcTensordeqScale
bfloat16_tint32_tbfloat16_t
bfloat16_tint32_tfloat
floatint32_tbfloat16_t
floatint32_tfloat

表7PER_TOKEN/PER_GROUP场景支持的数据类型组合

srcDtypescaleDtypedstDtype
int32_thalfhalf
int32_tbfloat16_tbfloat16_t
int32_tfloatfloat
int32_tfloathalf
int32_tfloatbfloat16_t
floathalfhalf
floatbfloat16_tbfloat16_t
floatfloatfloat
floatfloathalf
floatfloatbfloat16_t

返回值说明

无

约束说明

  • 不支持源操作数与目的操作数地址重叠。

  • 操作数地址对齐要求请参见通用地址对齐约束。

  • PER_TOKEN/PER_GROUP量化场景支持情况如下：

    • Ascend 950PR/Ascend 950DT：支持。
    • Atlas A3 训练系列产品/Atlas A3 推理系列产品：不支持。
    • Atlas A2 训练系列产品/Atlas A2 推理系列产品：不支持。
    • Atlas 推理系列产品AI Core：不支持。

  • PER_TOKEN/PER_GROUP场景，连续计算方向（即n方向）的数据量要求32B对齐。

  • 非PER_TOKEN/PER_GROUP场景dstTensor支持的数据类型

    • Ascend 950PR/Ascend 950DT，支持的数据类型为：half、bfloat16_t、float。
    • Atlas A3 训练系列产品/Atlas A3 推理系列产品，支持的数据类型为：half、bfloat16_t、float。
    • Atlas A2 训练系列产品/Atlas A2 推理系列产品，支持的数据类型为：half、bfloat16_t、float。
    • Atlas 推理系列产品AI Core，支持的数据类型为：half、float。
    • Kirin X90，支持的数据类型为：half、float。
    • Kirin 9030，支持的数据类型为：half、float。

  • 非PER_TOKEN/PER_GROUP场景deqScale支持的数据类型

    • Ascend 950PR/Ascend 950DT，当deqScale为矢量时，支持的数据类型为：uint64_t、float、bfloat16_t；当deqScale为标量时，支持的数据类型为bfloat16_t、float。
    • Atlas A3 训练系列产品/Atlas A3 推理系列产品，当deqScale为矢量时，支持的数据类型为：uint64_t、float、bfloat16_t；当deqScale为标量时，支持的数据类型为bfloat16_t、float。
    • Atlas A2 训练系列产品/Atlas A2 推理系列产品，当deqScale为矢量时，支持的数据类型为：uint64_t、float、bfloat16_t；当deqScale为标量时，支持的数据类型为bfloat16_t、float。
    • Atlas 推理系列产品AI Core，当deqScale为矢量时，支持的数据类型为：uint64_t、float；当deqScale为标量时，支持的数据类型为float。
    • Kirin X90，当deqScale为矢量时，支持的数据类型为：uint64_t、float；当deqScale为标量时，支持的数据类型为float。
    • Kirin 9030，当deqScale为矢量时，支持的数据类型为：uint64_t、float；当deqScale为标量时，支持的数据类型为float。

调用示例

// dstLocal: 存放反量化计算的结果Tensor // srcLocal: 存放反量化计算的输入Tensor // deqScaleLocal: 存放反量化计算量反量化系数的输入Tensor // sharedTmpBuffer: 存放反量化计算过程中临时缓存的Tensor uint32_t m = 4; // srcTensor的行数 uint32_t n = 8; // srcTensor的列数 uint32_t calCount = 6; // 每行srcTensor的前calCount个数参与反量化计算 // 反量化参数deqScale为矢量，通过sharedTmpBuffer入参传入临时空间。 AscendC::AscendDequant(dstLocal, srcLocal, deqScaleLocal, sharedTmpBuffer, {m, n, calCount}); // 反量化参数deqScale为矢量，通过接口框架申请临时空间。 AscendC::AscendDequant(dstLocal, srcLocal, deqScaleLocal, {m, n, calCount}); // 反量化参数deqScale为标量，通过sharedTmpBuffer入参传入临时空间。 AscendC::AscendDequant(dstLocal, srcLocal, static_cast<float>(2.2), sharedTmpBuffer, {m, n, calCount}); // 反量化参数deqScale为标量，通过接口框架申请临时空间。 AscendC::AscendDequant(dstLocal, srcLocal, static_cast<float>(2.2), {m, n, calCount});

结果示例如下：

输入数据(srcLocal) int32_t数据类型: [[-16 -15 -14 -13 -12 -11 -10 -9] [ -8 -7 -6 -5 -4 -3 -2 -1] [ 0 1 2 3 4 5 6 7] [ 8 9 10 11 12 13 14 15]] 反量化参数deqScaleLocal float数据类型: [2.2 -2.2 2.2 -2.2 2.2 -2.2 0. 0.] 输出数据(dstLocal) float数据类型: [[-35.2 33. -30.8 28.6 -26.4 24.2 -10. -9. ] [-17.6 15.4 -13.2 11. -8.8 6.6 -2. -1. ] [ 0. -2.2 4.4 -6.6 8.8 -11. 6. 7. ] [ 17.6 -19.8 22. -24.2 26.4 -28.6 14. 15. ]]

PER_TOKEN/PER_GROUP场景调用示例如下。

// 注意m,n需从外部传入 constexpr static bool isReuseSource = false; constexpr static AscendDeQuantConfig config = {has_offset, -1}; constexpr static AscendDeQuantPolicy policy = AscendDeQuantPolicy::PER_TOKEN; // 可修改枚举值以开启PER_GROUP AscendDeQuantParam para; para.m = m; para.n = n; para.calCount = calCount; AscendDequant<dstType, srcType, scaleType, config, policy>(dstLocal, srcLocal, scaleLocal, offsetLocal, para);

【免费下载链接】asc-devkit本项目是CANN 推出的昇腾AI处理器专用的算子程序开发语言，原生支持C和C++标准规范，主要由类库和语言扩展层构成，提供多层级API，满足多维场景算子开发诉求。项目地址: https://gitcode.com/cann/asc-devkit

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/7/17 13:50:29

从入门到精通：diffusiongemma-26B-A4B-it-4bit提示词工程终极指南

从入门到精通&#xff1a;diffusiongemma-26B-A4B-it-4bit提示词工程终极指南 【免费下载链接】diffusiongemma-26B-A4B-it-4bit 项目地址: https://ai.gitcode.com/hf_mirrors/mlx-community/diffusiongemma-26B-A4B-it-4bit diffusiongemma-26B-A4B-it-4bit是一款基于…

作者头像 李华
网站建设 2026/7/17 13:48:44

JavaScript 函数与作用域深度详解：从基础语法到底层机制（新手必懂）

在 JavaScript 中&#xff0c;如果说 循环 是代码的“重复能力”&#xff0c;那 函数和作用域 就是代码的“组织能力”。 函数让代码可复用&#xff0c;作用域让变量可控。 绝大多数 JS 疑难问题、面试题、bug 来源&#xff1a;变量污染、变量提升、闭包、全局污染、变量找不到…

作者头像 李华
网站建设 2026/7/17 13:46:26

intel-ice最佳实践：提升Intel E810设备稳定性的5个建议

intel-ice最佳实践&#xff1a;提升Intel E810设备稳定性的5个建议 【免费下载链接】intel-ice Intel Network Adapter Driver for Intel E810 Ethernet Series Devices 项目地址: https://gitcode.com/openeuler/intel-ice 前往项目官网免费下载&#xff1a;https://ar…

作者头像 李华