从 host 到 TTNN：逻辑形状与物理 tile

PREDICT FIRST

具体问题与独立预期

输入与约定

把2×3的A与3×2的B放在32×32全零矩阵左上角，其他位置为0。

先根据输入写下自己的结果与理由，再展开参考推演；随后运行或检查实现。

机制怎样连接起来

逻辑形状回答用户需要什么，物理形状回答这次算子实际接收什么。本单元主动填充到32×32，避免把自动padding和裁剪当作不可见魔法。用小整数降低数值干扰，并对完整物理输出做比较。

下面是基于已核对公开API独立写的 TTNN 起点，尚未在 TTNN 环境执行。它通过 from_torch 进入 tile layout，通过 matmul 计算，再 to_torch 回到 host；它没有实现 Metalium reader/compute/writer，因此不能当作底层 kernel 开发证明。

CPU 路径不用安装 torch；用普通二维数组构造同样的32×32填零输入和结果。真实 TTNN 路径需要匹配设备与已安装软件，失败时保留 API、版本和 traceback，不通过更换无限多配置掩盖基本错误。

CHOOSE ONE EXECUTION PATH

按手头环境推进

CPU 路径可以先完成。额外的 SDK 或设备验证要有自己的运行记录；本单元的四小时不同时要求完成四个分支。安装等待超过本页预算时，留下阻塞条件，继续可做的数学、代码与协议工作。

READ → BUILD → BREAK → EXPLAIN

四小时，留下一个完整产出

可拆成多个时段。每次停下时保存代码、输入、实际结果和下一步，不用重新读整篇。没有通过当前检查时继续修正，不靠翻页推进。

EXPLICIT ENVIRONMENT / EXPLICIT STATUS

命令与可保存的起点

以下代码按各自环境使用，运行前完成对应步骤并核对版本。编译失败后停止，不运行目录中的旧二进制；每次采集日志使用新的运行目录。设备程序仅运行在你已有且可使用的环境中。

import torch
import ttnn
# Original small problem embedded in a 32x32 physical shape.
a = torch.zeros((32, 32), dtype=torch.float32)
b = torch.zeros((32, 32), dtype=torch.float32)
a[:2, :3] = torch.tensor([[1., 2., 3.], [4., 5., 6.]])
b[:3, :2] = torch.tensor([[1., 0.], [0., 1.], [1., 1.]])
expected = a @ b
device = ttnn.open_device(device_id=0)
try:
    da = ttnn.from_torch(a, dtype=ttnn.bfloat16, layout=ttnn.TILE_LAYOUT, device=device)
    db = ttnn.from_torch(b, dtype=ttnn.bfloat16, layout=ttnn.TILE_LAYOUT, device=device)
    dc = ttnn.matmul(da, db)
    actual = ttnn.to_torch(dc).to(torch.float32)
    torch.testing.assert_close(actual, expected, atol=0.01, rtol=0.01)
    print(actual[:2, :2])
finally:
    ttnn.close_device(device)

python3 tt_matmul.py

EVIDENCE BEFORE ADVANCING

验收与面试追问

• 修改后 C=[[5,5],[10,11]]，剩余输出0。
• 实际tile尺寸和教学图2×2明确区分。
• 保存所有输出的比较结论，不只截取左上角打印。

这些是依照本单元机制设计的追问，不是公司真题。个人验收仍依据实际代码、测试、测量与口述。