【合入来源】

如有社区issue，请关联issue链接
请勿携带内部流程信息（需求链接、问题单、内部issue等）

• 需求
• 问题单
• issue/工单
• 重构优化
• 资料更新

【修改方案】

对于>=3D@>=3D、2D@>=3D 、>=3D@2D 且3D 输入前n-1维不连续(比如由转置得到)时，走进 bmm。进一步地，bmm内对输入固定会有对前n-2维的reshape操作，若reshape后 batch维为1 (2D 输入恒为 batch=1，≥3D 输入要求前 n-2 维全为 1)且reshape的tensor是由转置得到，则由于size(0)==1 时 stride(0) 任意值都"合法"，torch 会取巧设为 stride(1)*size(1) ，此时该tensor会变成对cann来说非标准的转置tensor，所以引入了额外的transpose。比如对与a[16, 12].T @ b [1,14384,16].T ，转置后的b会被reshape 成 [1,16,14384] 。虽然 shape 没变，但 reshape 仍会重新计算 stride——对 size(0)==1 的维度，把 stride(0) 规范化为 stride(1)*size(1)=1*16=16 ，而不是保留原始的 229344，最后stride变成[16,1,16]。
对于这种情况，在bmm适配层对 size(0)==1 且矩阵维转置布局（ stride(1)==1 && stride(2)==size(1) ）且 stride(0) != size(1)*size(2) 的张量，用 as_strided 把 stride(0) 规范化为 size(1)*size(2) ，还原为cann所接受的标准转置tensor，从而消除transpose。

【资料变更】

不涉及

【接口变更】

不涉及

【功能验证】

单算子验证脚本：

import torch
import numpy as np
from torch.profiler import profile, ProfilerActivity

torch.npu.set_device('npu:1')
a_ori = torch.tensor(np.random.rand(16, 12).astype(np.float16)).npu()
a = torch.permute(a_ori, (1, 0))
b_ori = torch.tensor(np.random.rand(1, 14384, 16).astype(np.float16)).npu()
b = torch.permute(b_ori, (0, 2, 1))
c = torch.matmul(a, b)

修改前：

修改后：

新增ut用例的执行结果：

【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