【合入来源】

https://gitcode.com/Ascend/pytorch/issues/1546

• 需求
• 问题单
• issue/工单
• 重构优化
• 资料更新

API一致性问题：

1. logspace算子未正确报错。当start或end为复数，dtype为非复数时，应该报错。
2. logspace.out算子精度问题。当输入的out其shape不等于steps且非连续时计算结果有错误。
3. linalg.qr算子报错信息与原生torch不一致。当输入不是一个matrix，报错信息不一致。

【修改方案】

问题一：

复现脚本：

with self.assertRaisesRegex(RuntimeError, r"torch.logspace\(\): inferred dtype"):
                torch.logspace(0, 1j, 5, device=device, dtype=dtype)

原因：
原生logspace算子走的是组合算子流程。

- func: logspace(Scalar start, Scalar end, int steps, float base=10.0, *, ScalarType? dtype=None, Layout? layout=None, Device? device=None, bool? pin_memory=None) -> Tensor
  dispatch:
    CompositeExplicitAutograd: logspace

原生实现：

Tensor logspace(
    const Scalar& start,
    const Scalar& end,
    int64_t steps,
    double base,
    std::optional<ScalarType> dtype,
    std::optional<Layout> layout,
    std::optional<Device> device,
    std::optional<bool> pin_memory) {
  // See [Note: hacky wrapper removal for TensorOptions]
  TensorOptions options =
      TensorOptions().dtype(dtype).layout(layout).device(device).pinned_memory(
          pin_memory);

  TORCH_CHECK(steps >= 0, "number of steps must be non-negative");
  auto result_options =
      linspace_logspace_infer_options(start, end, options, "torch.logspace()");
  Tensor result = at::empty({steps}, result_options);
  return at::logspace_out(result, start, end, steps, base);
}

原生实现在linspace_logspace_infer_options进行了类型检测，并最终调用了empty和logspace_out算子。

解决方法：
删除 aten::logspace 在 privateuse1 上的注册和实现，改为复用原生 torch 在 CompositeExplicitAutograd 上的实现。

问题二：

复现脚本：

x = torch.zeros(2, 3, device='npu', dtype=torch.float32)
torch.logspace(0, 3, 4, base=2, out=x.narrow(1, 1, 2))
x结果应为[[0, 1, 2[, [0, 4, 8]]，但结果为[[0, 1, 2[, [4, 8, 0]]

原因：
out=x.narrow(1,1,2) 是一个非连续视图，元数据是 size=[2,2], stride=[3,1], storage_offset=1，正确写入位置应是物理索引 [1,2,4,5]。
当前实现里 CheckOut(..., {steps}) 在 out.shape != {steps} 时会触发 resize_，把 out 重排成一维连续张量（stride 变成连续），写入映射变成 [1,2,3,4]。
因此 4,8 被写到了第二行前两列，结果变成 [[0,1,2],[4,8,0]]，而不是 [[0,1,2],[0,4,8]]。本质是 resize_ 破坏了原非连续视图的 stride 语义。

解决方法：

1. 只在 out.numel() != steps 时才 out.resize_({steps})（容量不匹配才重置）。
2. out.numel() == steps 时保持原 out 的 shape/stride，不要改元数据；
3. LogSpaceD 对输出要求为1维，当out不为1维时，使用view生成临时1维张量。

问题三：

解决方法：
优化 linalg_qr 在输入维度 <= 2 时的报错信息。

【资料变更】

请确认是否涉及资料变更。如涉及，需要在PR中体现，并简要说明修改内容。如不涉及，需填写“不涉及”

【接口变更】

请确认是否涉及跨代码仓或者客户面可见的接口变更。如涉及，需要详细说明接口以及对应的变更内容，同时需要在资料中体现。如不涉及，需填写“不涉及”

【功能验证】

说明测试场景，测试方法。如果本次测试方式与常规单元测试不同，请详细说明您的测试步骤
新增/变更内容是否已新增/适配UT测试用例看护，并补充测试自验证截图

【CheckList】

PR提交人对以下CheckList自检项进行全量自检，自检通过或不涉及，均修改 [ ] 为 [x]

• 代码注释完备，正确记录错误日志
• 代码实现进行了返回值、空指针等校验
• PR标题正确使用类型标签，如：feat、fix、refactor、docs、test等
• PR持续集成流水线（CI）执行通过，代码检查无异常