submission 99063

  ⋯ 1 unchanged lines
  import triton
  import triton.language as tl
   
+ # Добавляем BLOCK_H в конфигурации автотюнинга
  @triton.autotune(
      configs=[
-         triton.Config({'BLOCK_W': 256}, num_warps=8, num_stages=4),
-         triton.Config({'BLOCK_W': 128}, num_warps=8, num_stages=4),
-         triton.Config({'BLOCK_W': 512}, num_warps=8, num_stages=3),
-         triton.Config({'BLOCK_W': 64}, num_warps=4, num_stages=4),
+         # Конфигурации для больших тензоров (A100/H100)
+         triton.Config({'BLOCK_H': 4, 'BLOCK_W': 128}, num_warps=8, num_stages=4),
+         triton.Config({'BLOCK_H': 8, 'BLOCK_W': 64},  num_warps=8, num_stages=4),
+         triton.Config({'BLOCK_H': 2, 'BLOCK_W': 256}, num_warps=8, num_stages=3),
+         
+         # Конфигурации для средних размеров / L4
+         triton.Config({'BLOCK_H': 4, 'BLOCK_W': 64},  num_warps=4, num_stages=4),
+         triton.Config({'BLOCK_H': 2, 'BLOCK_W': 128}, num_warps=4, num_stages=4),
+         
+         # Fallback для маленьких размеров
+         triton.Config({'BLOCK_H': 1, 'BLOCK_W': 32},  num_warps=2, num_stages=2),
      ],
-     key=['w_out', 'c_in', 'k_size'],
+     key=['W_OUT', 'H_OUT', 'C_IN', 'K'],
  )
  @triton.jit
- def conv2d_kernel(
+ def conv2d_kernel_tiled(
      input_ptr, weight_ptr, output_ptr,
      stride_in_n, stride_in_c, stride_in_h, stride_in_w,
      stride_w_out, stride_w_in, stride_w_h, stride_w_w,
      stride_out_n, stride_out_c, stride_out_h, stride_out_w,
      H_IN, W_IN, H_OUT, W_OUT, C_IN, C_OUT, K,
-     BLOCK_W: tl.constexpr
+     BLOCK_H: tl.constexpr, BLOCK_W: tl.constexpr
  ):
-     """Оптимизированное ядро Conv2D с правильным порядком циклов."""
+     """
+     Супер-оптимизированное ядро с 2D-блокировкой (H x W).
+     Обрабатывает прямоугольный тайл выхода за один раз.
+     """
      
+     # Grid IDs
      pid_w = tl.program_id(0)
      pid_h = tl.program_id(1)
      pid_z = tl.program_id(2)
      
+     # Декодируем Batch и Output Channel
      batch_idx = pid_z // C_OUT
      out_ch = pid_z % C_OUT
-     out_h = pid_h
      
-     # Width offsets
+     # --- 1. Координаты и маски (2D) ---
+     
+     # Output Height offsets: [BLOCK_H, 1]
+     offs_h = pid_h * BLOCK_H + tl.arange(0, BLOCK_H)
+     mask_h = offs_h < H_OUT
+     
+     # Output Width offsets: [1, BLOCK_W]
      offs_w = pid_w * BLOCK_W + tl.arange(0, BLOCK_W)
      mask_w = offs_w < W_OUT
      
-     # Base pointers
-     out_base = output_ptr + batch_idx * stride_out_n + out_ch * stride_out_c + out_h * stride_out_h
-     in_base = input_ptr + batch_idx * stride_in_n + out_h * stride_in_h
+     # --- 2. Базовые указатели ---
+     
+     # Указатель на начало Output для текущего Batch/Channel
+     # output[b, c, h, w] -> используем 2D broadcasting для записи
+     dst_base = output_ptr + batch_idx * stride_out_n + out_ch * stride_out_c
+     
+     # Указатель на начало Input для текущего Batch
+     # Input: [batch, cin, h, w]
+     src_base = input_ptr + batch_idx * stride_in_n
+     
+     # Указатель на начало Weights для текущего Out Channel
+     # Weight: [cout, cin, kh, kw]
      wei_base = weight_ptr + out_ch * stride_w_out
      
-     acc = tl.zeros([BLOCK_W], dtype=tl.float32)
+     # --- 3. Аккумулятор (Register File) ---
+     # Теперь это 2D массив [BLOCK_H, BLOCK_W]
+     acc = tl.zeros([BLOCK_H, BLOCK_W], dtype=tl.float32)
      
-     # === ОПТИМИЗИРОВАННЫЙ ПОРЯДОК ЦИКЛОВ ===
-     # cin (внешний) -> kh, kw (внутренние) для лучшей локальности памяти
+     # --- 4. Основной цикл ---
      for cin in range(C_IN):
-         in_ch_ptr = in_base + cin * stride_in_c
-         wei_ch_ptr = wei_base + cin * stride_w_in
+         # Сдвигаем указатели на текущий входной канал
+         src_ch = src_base + cin * stride_in_c
+         wei_ch = wei_base + cin * stride_w_in
          
          for kh in range(K):
-             in_row_ptr = in_ch_ptr + kh * stride_in_h
-             wei_row_ptr = wei_ch_ptr + kh * stride_w_h
+             # Pre-calc смещения по вертикали для входа
+             # Input H index = (offs_h + kh)
+             # Broadcasting: (BLOCK_H, 1)
+             curr_h_in = offs_h[:, None] + kh
+             src_row_ptr = src_ch + curr_h_in * stride_in_h
              
+             # Смещение веса по высоте
+             wei_row_ptr = wei_ch + kh * stride_w_h
+             
              for kw in range(K):
-                 # Загрузка веса - минимальный overhead
+                 # --- A. Загрузка Веса (Scalar broadcast) ---
+                 # Загружаем 1 скаляр, используем для всего блока [BLOCK_H, BLOCK_W]
                  wei_val = tl.load(wei_row_ptr + kw * stride_w_w)
                  
-                 # Загрузка входа - правильные индексы
-                 # Input: [batch, cin, out_h+kh, out_w+kw]
-                 in_ptrs = in_row_ptr + (offs_w + kw) * stride_in_w
-                 in_val = tl.load(in_ptrs, mask=mask_w, other=0.0)
+                 # --- B. Загрузка Входа (2D Block Load) ---
+                 # Input W index = (offs_w + kw)
+                 # Ptr = src_row_ptr (зависит от H) + (W смещение)
+                 # Размерность: [BLOCK_H, 1] + [1, BLOCK_W] -> [BLOCK_H, BLOCK_W]
+                 src_ptrs = src_row_ptr + (offs_w[None, :] + kw) * stride_in_w
                  
-                 # Аккумуляция
-                 acc = acc + in_val * wei_val
-     
-     # Запись
-     tl.store(out_base + offs_w * stride_out_w, acc, mask=mask_w)
+                 # Маска: проверяем валидность H (выхода) и W (выхода)
+                 # Примечание: padding=0, stride=1 гарантируют, что если output внутри границ,
+                 # то input (out + k) тоже внутри границ (при валидных размерах тензоров).
+                 # Используем комбинированную маску mask_h & mask_w
+                 val_in = tl.load(src_ptrs, mask=(mask_h[:, None] & mask_w[None, :]), other=0.0)
+                 
+                 # --- C. FMA ---
+                 acc = acc + val_in * wei_val
   
+     # --- 5. Запись результата ---
+     # Output Ptr: dst_base + h * stride_h + w * stride_w
+     offs_out = dst_base + offs_h[:, None] * stride_out_h + offs_w[None, :] * stride_out_w
+     tl.store(offs_out, acc, mask=(mask_h[:, None] & mask_w[None, :]))
   
+  
  def custom_kernel(data):
-     """Вход: (input_tensor, kernel, output_tensor)."""
-     
      input_tensor, kernel, output_tensor = data
      
-     input_tensor = input_tensor.contiguous()
-     kernel = kernel.contiguous()
+     # Обеспечиваем memory layout
+     if not input_tensor.is_contiguous():
+         input_tensor = input_tensor.contiguous()
+     if not kernel.is_contiguous():
+         kernel = kernel.contiguous()
      
      batch, c_in, h_in, w_in = input_tensor.shape
      c_out, _, k_h, k_w = kernel.shape
  ⋯ 1 unchanged lines
      h_out = h_in - k_h + 1
      w_out = w_in - k_w + 1
      
+     # Grid Calculation
+     # X: Тайлы по ширине
+     # Y: Тайлы по высоте (теперь делим на BLOCK_H!)
+     # Z: Batch * OutChannels
      grid = lambda META: (
          triton.cdiv(w_out, META['BLOCK_W']),
-         h_out,
+         triton.cdiv(h_out, META['BLOCK_H']),
          batch * c_out
      )
      
-     conv2d_kernel[grid](
+     conv2d_kernel_tiled[grid](
          input_tensor, kernel, output_tensor,
          *input_tensor.stride(),
          *kernel.stride(),
  ⋯ 3 unchanged lines
      )
      
      return output_tensor
-