【合入来源】

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

关联Issue：https://gitcode.com/Ascend/pytorch/issues/2726

资料核查结论参见：https://gitcode.com/Ascend/pytorch/issues/2834

【修改方案】

本 PR 属于 Torch-NPU API 一致性对齐任务，面向 Tensor.ndimension 完成 v2.7.1 版本的 API 行为验证与测试用例补齐。

API 功能说明

Tensor.ndimension() -> int 返回张量的维度数量，是 Tensor.dim() 的别名，与 Tensor.ndim 属性等价。

用例完整性说明

PyTorch 官方用例现状

经检索 PyTorch 官方仓库（v2.7.1–v2.12.0），对 torch/、test/ 目录执行了以下检索：

• grep -rn "\.ndimension()" test/ --include="*.py" — 未命中对该接口的独立直接测试
• grep -rn "ndimension()" torch/ --include="*.py" — 仅在 Tensor 类中存在属性/方法定义

检索结论：Tensor.ndimension 在 PyTorch 核心测试中被 dim() 等关联 API 间接覆盖，但未发现针对该接口的独立聚焦测试用例，所有目标版本行为一致。

新增用例原因

由于上游无独立聚焦用例，无法对 Tensor.ndimension 的跨版本行为进行定向回归看护。按照任务文档场景三规范，自主编写完整测试用例，提交至 test/npu/ 目录。

NPU 适配方案

Tensor.ndimension 仅读取张量元数据的维度信息，不涉及任何设备端计算或算子调度。在 NPU 环境下直接继承自 PyTorch 原生实现，无需代码适配。

具体修改内容

本 PR 仅新增 1 个测试文件：

test/npu/test_tensor_ndimension.py

测试命令：

python test/npu/test_tensor_ndimension.py

测试用例覆盖：

1. test_ndimension_0d_tensor — 0D 标量张量维度验证
2. test_ndimension_1d_tensor — 1D 张量维度验证
3. test_ndimension_2d_tensor — 2D 张量维度验证
4. test_ndimension_3d_tensor — 3D 张量维度验证
5. test_ndimension_4d_tensor — 4D 张量维度验证
6. test_ndimension_cpu_npu_consistency — CPU/NPU 多形状维度一致性校验
7. test_ndimension_after_operations — 张量运算后维度校验（加法、sum）
8. test_ndimension_equals_ndim — ndimension() 与 ndim 属性等价性校验

所有测试方法均使用 @SupportedDevices(['Ascend910A', 'Ascend910B', 'Ascend910_93', 'Ascend950']) 装饰器进行 NPU 可用性检查，未检测到 NPU 设备时自动跳过。使用 self.assert* 系列方法完成结果比对，张量通过 .npu() 迁移至 NPU 设备。

【资料变更】

不涉及。

经核查，Tensor.ndimension 在 v2.7.1–v2.12.0、master 全版本 docs/zh/native_apis/pytorch_2-X-Y/torch-Tensor.md 表格中均已收录，无需补充文档。

【接口变更】

不涉及。

本 PR 仅新增测试文件，不修改产品源码中的函数签名、参数列表、返回值或跨仓调用关系，不产生客户面可见接口变化。

【功能验证】

验证环境

测试覆盖场景

# 0D张量
x = torch.tensor(5).npu()
assert x.ndimension() == 0

# 1D张量
x = torch.randn(5).npu()
assert x.ndimension() == 1

# 2D张量
x = torch.randn(3, 4).npu()
assert x.ndimension() == 2

# 3D张量
x = torch.randn(2, 3, 4).npu()
assert x.ndimension() == 3

# 4D张量
x = torch.randn(2, 3, 4, 5).npu()
assert x.ndimension() == 4

CPU/NPU 一致性验证

cpu_tensor = torch.randn(3, 4, 5)
npu_tensor = cpu_tensor.npu()
assert cpu_tensor.ndimension() == npu_tensor.ndimension()  # \u2705 一致

UT 验证

python test/npu/test_tensor_ndimension.py -v

结果：

test_ndimension_0d_tensor (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok
test_ndimension_1d_tensor (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok
test_ndimension_2d_tensor (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok
test_ndimension_3d_tensor (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok
test_ndimension_4d_tensor (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok
test_ndimension_cpu_npu_consistency ...
test_ndimension_after_operations (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok
test_ndimension_equals_ndim (test.npu.test_tensor_ndimension.TestTensorNdimension) ... ok

----------------------------------------------------------------------
Ran 8 tests in 1.134s

OK

【CheckList】

• 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

结论

Tensor.ndimension API 在 v2.7.1 版本 NPU 环境下无需代码改动，功能与 PyTorch 官方 CPU 行为完全一致。

测试截图