用户可通过本项目参与 CANN 开源社区各类竞赛、提交和展示作品。核心功能包括赛事分类管理（官方、高校、行业/区域赛事及开源任务）、作品提交规范指引和多类型赛事目录结构，助力开发者高效参与社区活动。【此简介由AI生成】
| 文件 | 最后提交记录 | 最后更新时间 |
|---|---|---|
提交算子挑战赛目录 Co-authored-by: fullt<full.fu@huawei.com> # message auto-generated for no-merge-commit merge: !193 merge championship-final into master 提交算子挑战赛目录 Created-by: fullt Commit-by: fullt Merged-by: cann-robot Description: ## 变更描述 / Description 添加算子挑战赛目录，用于存放算子挑战赛各队伍的赛果 ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [x] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [ ] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other See merge request: cann/cann-competitions!193 | 3 个月前 | |
| 4 个月前 | ||
jiangshan_final_update Co-authored-by: zutao<wanzutao1@h-partners.com> # message auto-generated for no-merge-commit merge: !406 merge master into master jiangshan_final_update Created-by: zutao Commit-by: zutao Merged-by: cann-robot Description: ## 变更描述 / Description <!-- 本 PR 做了什么，为什么需要 / What does this PR do and why --> ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [ ] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [ ] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other ## 关联 Issue / Related Issues <!-- Closes #000 可自动关闭 / Closes #000 to auto-close --> - Closes # - References # ## 测试信息 / Testing <!-- 简要测试说明或关键结果 / Brief test description or key results --> - [ ] 单元测试通过 / UT passed - [ ] 集成测试通过 / ST passed - [ ] 人工验证通过 / Manual verified ## 检查清单 / Checklist - [ ] 代码符合规范 / Code follows style guide - [ ] 测试添加并通过 / Tests added and passed - [ ] 文档已更新 / Docs updated if needed - [ ] 无硬编码敏感信息 / No secrets hardcoded - [ ] 提交信息符合规范 / Commit message follows convention See merge request: cann/cann-ops-competitions!406 | 2 个月前 | |
【社区任务】Bincount算子设计文档 Co-authored-by: qq_62078295<1135470306@qq.com> # message auto-generated for no-merge-commit merge: !256 merge feature/bincount-design into master 【社区任务】Bincount算子设计文档 Created-by: qq_62078295 Commit-by: qq_62078295 Merged-by: cann-robot Description: # Bincount 算子开发设计文档 ## 一、需求背景 ### 1.1 需求来源 参考 torch.bincount 功能，在昇腾 NPU 上基于 Ascend C 编程语言实现功能一致的算子，支持正负数输入。完成算子设计、开发、测试全流程工作，验收通过后将算子提交至昇腾算子开源仓。 ### 1.2 背景介绍 #### 1.2.1 算子实现优化 本次开发的核心任务是在 Ascend C 侧实现与 PyTorch torch.bincount 功能对齐的算子，并供 aclnnBincount 接口调用。算子需要支持多种数据类型组合，并实现高效的多核并行统计计算策略。 **功能扩展说明**：虽然torch.bincount官方要求输入为非负整数，但本次开发的算子扩展支持正负数输入，以满足更广泛的应用场景。 **torch.bincount官方文档参考**： - 函数签名：torch.bincount(input, weights=None, minlength=0) → Tensor - 官方功能描述：统计非负整数数组中每个值的频率 - 扩展功能：支持正负数范围的整数输入 #### 1.2.2 torch.bincount 功能分析 * **1.2.2.1 torch.bincount参数说明** 根据PyTorch官方文档，torch.bincount的参数定义如下： | 参数名 | 类型 | 必选/可选 | 描述 | 约束条件 | | --- | --- | --- | --- | --- | | input | Tensor | 必选 | 1维整型tensor | torch官方要求非负整数，本次开发扩展支持正负数，支持INT8、INT16、INT32、INT64、UINT8 | | weights | Tensor | 可选 | input每个值的权重 | shape必须与input一致，支持FLOAT、FLOAT16、INT8、INT16、INT32、INT64、UINT8、BOOL | | minlength | int | 可选 | 最小bin数量 | 必须为非负整数 | | output | Tensor | 输出 | 统计结果tensor | shape为Size([max(input) + 1])或Size([minlength]) | **返回值说明**： - 如果input非空：返回tensor的shape为Size([max(input) + 1])（仅统计正值） - 如果input为空且minlength=0：返回tensor的shape为Size(0) - 如果input为空且minlength>0：返回tensor的shape为Size([minlength])，所有值为0 **扩展功能说明**： - torch.bincount官方要求input为非负整数，负值会导致错误 - 本次开发的算子扩展支持正负数输入，负值在统计时会被忽略（不计入任何bin） * **1.2.2.2 torch.bincount实现描述** 根据PyTorch官方文档，torch.bincount的核心计算逻辑如下： **计算公式**： 如果 n = input[i]，则： - 有weights时：output[n] += weights[i] - 无weights时：output[n] += 1 **实现步骤**： 1. **输入校验**： - 验证input为1维tensor - 验证input中的值为整数（扩展支持正负数，torch官方要求非负整数） - 如果提供weights，验证其shape与input一致 2. **输出长度计算**： - 如果input非空：output_size = max(max(input) + 1, minlength)（仅考虑正值） - 如果input为空：output_size = minlength 3. **统计计算**： - **无权重场景**：遍历input，统计每个正值的出现次数 for i in range(len(input)): if input[i] >= 0: # 仅统计正值，负值忽略 output[input[i]] += 1 - **有权重场景**：遍历input和weights，累加对应正值的权重 for i in range(len(input)): if input[i] >= 0: # 仅统计正值，负值忽略 output[input[i]] += weights[i] 4. **输出初始化**：输出tensor初始化为全0 **示例说明**（来自PyTorch官方文档）： python # 示例1：无权重统计 input = torch.tensor([4, 3, 6, 3, 4]) output = torch.bincount(input) # 结果：tensor([0, 0, 0, 2, 2, 0, 1]) # 解释：值3出现2次，值4出现2次，值6出现1次 # 示例2：有权重统计 weights = torch.tensor([0.0, 0.25, 0.5, 0.75, 1.0]) output = input.bincount(weights) # 结果：tensor([0.0, 0.0, 0.0, 1.0, 1.0, 0.0, 0.5]) # 解释：output[3] = weights[1] + weights[3] = 0.25 + 0.75 = 1.0 # output[4] = weights[0] + weights[4] = 0.0 + 1.0 = 1.0 # output[6] = weights[2] = 0.5 * **1.2.2.3 torch.bincount实现流程图** mermaid graph TD A[开始] --> B[输入参数校验] B --> B1[检查input是否为1维tensor] B --> B2[检查input数据类型是否为整型] B --> B3[检查weights的shape是否与input一致] B --> B4[检查minlength是否为非负整数] B1 --> C[计算输出长度] B2 --> C B3 --> C B4 --> C C --> C1[找到input中的最大正值max_val] C1 --> C2[output_size = max max_val + 1, minlength] C2 --> D[分配输出tensor内存并初始化为0] D --> E{判断是否有weights} E -->|无weights| F[遍历input统计每个正值的出现次数] F --> F1[for i in range len input] F1 --> F2[if input i >= 0: output input i += 1] E -->|有weights| G[遍历input和weights累加正值的权重] G --> G1[for i in range len input] G1 --> G2[if input i >= 0: output input i += weights i] F2 --> H[返回输出tensor] G2 --> H H --> I[结束] --- ## 二、需求分析 ### 2.1 外部组件依赖 本算子的主要外部依赖为 ACLNN 框架，框架层需完成入参校验、维度解析，并根据输入规模选择合适的 Tiling 策略。 ### 2.2 内部适配模块 算子内部需在 Ascend C 的 Host 侧 Tiling 模块（为不同规模配置切分策略及 TilingKey）和 Kernel 侧实现模块补充多核并行统计逻辑，并更新 API 层的参数注册。 ### 2.3 需求模块设计 #### 2.3.1 AscendC算子原型 根据任务书要求，Ascend C算子原型定义如下： | 参数名 | 输入/输出/属性 | 描述 | 使用说明 | 数据类型 | 数据格式 | 维度(shape) | 非连续Tensor | | --- | --- | --- | --- | --- | --- | --- | --- | | self（aclTensor*） | 输入 | 输入tensor | 支持正数和负数范围的输入 | INT8、INT16、INT32、INT64、UINT8 | 1维ND | - | √ | | weights（aclTensor*） | 输入 | self每个值的权重 | shape必须与self一致，可为空指针 | FLOAT、FLOAT16、FLOAT64、INT8、INT16、INT32、INT64、UINT8、BOOL | 1维ND | - | √ | | minlength（int64_t） | 输入 | 指定输出tensor最小长度 | 如果计算得出的self最大值小于minlength，则out的长度为minlength；否则为self最大值加1 | int64_t | - | - | - | | out（aclTensor*） | 输出 | 输出tensor | out的长度为max(self最大值 + 1, minlength) | INT32、INT64、FLOAT、DOUBLE | 1维ND | - | √ | #### 2.3.2 AscendC算子相关约束 与torch.bincount核心功能完全对齐，并且支持正数和负数范围的输入。具体约束如下： * 输入 self 必须为1维整型tensor，支持正数和负数范围的整数值。 * 负值处理：负值在统计时会被忽略，不计入任何bin，对应的权重也会被忽略。 * 当提供 weights 时，其 shape 必须与 self 一致。 * minlength 参数必须为非负整数。 * 支持非连续tensor输入。 --- ## 三、需求详细设计 ### 3.1 使能方式 通过 ACLNN 接口进行算子的调用和使能。 ### 3.2 需求总体设计 #### 3.2.1 host侧设计 * **3.2.1.1 分核策略** 根据输入数据量和输出数据量动态选择分核数量。分核方式分为两种： 1. **按输出分核**（适用于输出数据量较小的场景）：每个核负责统计一部分输出位置的计数，需要每个核遍历完整的输入数据。 2. **按输入分核**（适用于输入数据量较大的场景）：每个核负责处理一部分输入数据，需要进行全局归约操作。 分核选择策略：当 output_size < 核数阈值 时采用按输出分核策略，否则采用按输入分核策略。 * **3.2.1.2 数据分块和内存优化策略** **内存布局设计**： 1. **Global Memory 使用**： - 输入数据 self：存储在 Global Memory，按需搬运到 Unified Buffer。 - 输入数据 weights：存储在 Global Memory，按需搬运到 Unified Buffer。 - 输出数据 out：存储在 Global Memory，分块处理。 2. **Unified Buffer 使用**： - 输入数据缓冲区：self_buffer，大小 = 块大小 × sizeof(self_dtype)。 - 权重数据缓冲区：weights_buffer，大小 = 块大小 × sizeof(weights_dtype)。 - 输出数据缓冲区：out_buffer，大小 = 输出块大小 × sizeof(out_dtype)。 **数据分块策略**： 1. **输入数据分块**： - 块大小计算：max_block_size = Unified Buffer大小 / (sizeof(input_dtype) + sizeof(weights_dtype))。 - 分块数量：num_blocks = ceil(input_size / actual_block_size)。 2. **内存优化**： - 使用 Double Buffer 技术交替搬运和计算，隐藏内存访问延迟。 - 输入缓冲区和权重缓冲区可以复用，减少 Unified Buffer 的占用。 * **3.2.1.3 TilingKey规划策略** 根据不同的输入输出规模和数据类型，设计不同的 tiling 策略： | TilingKey | 场景描述 | 分核策略 | 分块大小 | | --- | --- | --- | --- | | 0 | 小数据量场景（input_size < 1024） | 单核处理 | 全量数据 | | 1 | 中等数据量场景（1024 ≤ input_size < 65536） | 多核按输入分核 | 1024元素/块 | | 2 | 大数据量场景（input_size ≥ 65536） | 多核按输入分核 | 4096元素/块 | | 3 | 有weights场景 | 多核按输入分核 | 根据数据类型动态调整 | | 4 | 大输出场景（output_size > 10000） | 按输出分核 | 输出分块处理 | #### 3.2.2 kernel侧设计 * **3.2.2.1 kernel侧实现描述 (重点实现逻辑)** 核心实现思路分为以下几个步骤： 1. **数据搬运**：使用 DataCopy 接口将输入数据从 Global Memory 搬运到 Unified Buffer，采用分块搬运策略避免 Unified Buffer 溢出。 2. **统计计算**： - **无权重场景**：遍历输入数据块，使用原子操作统计每个值的出现次数，将局部结果累加到全局输出。 - **有权重场景**：同时搬运输入数据和对应的权重数据，遍历输入数据块，根据输入值累加对应的权重，将局部结果累加到全局输出。 3. **数据输出**：将统计结果从 Unified Buffer 写回 Global Memory，处理边界情况确保所有数据正确输出。 **关键实现细节**： 1. **原子操作优化**：使用 Ascend C 提供的原子操作接口进行并发累加，避免多核写入冲突。 2. **数据类型转换**：输入数据类型可能为 INT8、INT16、INT32、INT64、UINT8，需要统一转换为输出数据类型（INT32、INT64、FLOAT、DOUBLE），使用 Ascend C 的 Cast 接口进行类型转换。 3. **负值处理**：支持正数和负数范围的输入。负值在统计时会被忽略（不计入任何bin），对应的权重也会被忽略。处理最后一个数据块可能不满块的情况。 * **3.2.2.2 AscendC实现流程图** mermaid graph TD A[开始] --> B[Host侧参数校验] B --> B1[检查self是否为1维tensor] B --> B2[检查self数据类型是否合法] B --> B3[检查weights的shape] B --> B4[检查minlength是否合法] B1 --> C[计算输出长度] B2 --> C B3 --> C B4 --> C C --> C1[找到self中的最大正值max_val] C1 --> C2[out_size = max max_val + 1, minlength] C2 --> D[分配输出tensor内存] D --> E[Tiling策略选择] E --> E1[根据self_size out_size has_weights选择TilingKey] E1 --> E2[计算分核数量和分块大小] E2 --> F[启动Kernel] F --> G[Kernel执行每个核] G --> G1[初始化本地输出缓冲区] G1 --> G2[循环处理数据块] G2 --> G2a[搬运输入数据块到Unified Buffer] G2 --> G2b[如果有权重搬运权重数据块] G2 --> G2c[遍历数据块进行统计] G2c --> G2c1[检查值是否为正值 >= 0] G2c --> G2c2{是否有权重} G2c2 -->|有| G2c3[原子累加权重值到对应bin] G2c2 -->|无| G2c4[原子累加1到对应bin] G2c3 --> G2d[处理下一个数据块] G2c4 --> G2d G2d --> G2 G2 --> G3[将局部结果写回Global Memory] G3 --> G4[核间同步] G4 --> H[返回输出tensor out] H --> I[结束] * **3.2.2.3 AscendC实现流程图与torch.bincount流程图存在的差异点和原因** **差异点**：torch.bincount的流程主要是单线程或简单并行处理，而 Ascend C 引入了动态分核策略、显式的内存管理和原子操作。 **原因**：Ascend C 贴近底层架构，需要充分利用多核性能。通过动态分核策略根据数据规模选择最优的分核方式，显式管理 Unified Buffer 使用 Double Buffer 技术优化内存访问效率，使用原子操作确保多核并发写入的正确性。这些优化使得 Ascend C 实现能够达到原 aclnnBinCount 性能的 10 倍以上。 ### 3.3 支持硬件 支持 **Atlas A2 训练系列产品**。 ### 3.4 算子约束限制 * 输入 self 必须为1维整型tensor，支持正数和负数范围的整数值。负值在统计时会被忽略，不计入任何bin。 * 输出 tensor 的长度不能超过设备内存限制。 * Unified Buffer 使用量不能超过硬件限制。 --- ## 四、特性交叉分析 本算子是对 PyTorch bincount 功能在昇腾 NPU 上的实现，属于统计类算子。针对多核并行场景，需要确保原子操作的正确性；针对非连续 Tensor 场景，需要在数据搬运时正确处理 stride；针对混合精度场景，需要正确处理类型转换确保精度不丢失。这些特性在核内闭环完成，不引发外部并发问题，与其他高级网络特性无破坏性交叉。 --- ## 五、可维可测分析 ### 5.1 精度标准/性能标准 * **精度标准**：算子计算精度需满足 AscendOpTest 工具默认阈值，与 PyTorch 官方实现结果对齐。 * **性能标准**：算子整体性能需达到原 aclnnBinCount 性能的 10 倍以上。 ### 5.2 兼容性分析 本设计支持 ACLNN 接口调用，兼容 CANN 框架和 PyTorch 框架。主要适配 Atlas A2 训练系列产品，可扩展支持其他昇腾硬件平台。遵循 Ascend C 编程规范，确保版本升级兼容性。测试覆盖功能测试（常规场景、边界场景、异常场景）、性能测试（不同数据规模对比）、精度测试（与 PyTorch 结果对比）和稳定性测试（大数据量长时间运行、内存泄漏检测）。 See merge request: cann/cann-ops-competitions!256 | 2 个月前 | |
update competition files Co-authored-by: maincourses <jsdyc1234@gmail.com> Co-authored-by:gcw_TBSe8Ltc <2137553008@qq.com> | 2 个月前 | |
docs: clarify PR branch is based on upstream/master Co-authored-by: fuyangchenghu<fuyangchenghu2@huawei.com> # message auto-generated for no-merge-commit merge: !306 merge add-submit-code into master docs: clarify PR branch is based on upstream/master Created-by: fuyangchenghu Commit-by: fuyangchenghu Merged-by: cann-robot Description: ## 变更描述 / Description <!-- 本 PR 做了什么，为什么需要 / What does this PR do and why --> ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [ ] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [ ] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other ## 关联 Issue / Related Issues <!-- Closes #000 可自动关闭 / Closes #000 to auto-close --> - Closes # - References # ## 测试信息 / Testing <!-- 简要测试说明或关键结果 / Brief test description or key results --> - [ ] 单元测试通过 / UT passed - [ ] 集成测试通过 / ST passed - [ ] 人工验证通过 / Manual verified ## 检查清单 / Checklist - [ ] 代码符合规范 / Code follows style guide - [ ] 测试添加并通过 / Tests added and passed - [ ] 文档已更新 / Docs updated if needed - [ ] 无硬编码敏感信息 / No secrets hardcoded - [ ] 提交信息符合规范 / Commit message follows convention See merge request: cann/cann-ops-competitions!306 | 2 个月前 | |
请求合并🙏 Co-authored-by: syeren<syeren@foxmail.com> # message auto-generated for no-merge-commit merge: !20 merge master into master [更新]: 修改CANN-ops-test-challenge-2026路径，加入 CONTRIBUTING.md Created-by: syeren Commit-by: syeren Merged-by: Albertq Description: ## 变更描述 / Description <!-- 本 PR 做了什么，为什么需要 / What does this PR do and why --> ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [ ] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [x] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other ## 关联 Issue / Related Issues <!-- Closes #123 可自动关闭 / Closes #123 to auto-close --> - Closes # - References # ## 测试信息 / Testing <!-- 简要测试说明或关键结果 / Brief test description or key results --> - [ ] 单元测试通过 / UT passed - [ ] 集成测试通过 / ST passed - [ ] 人工验证通过 / Manual verified ## 检查清单 / Checklist - [ ] 代码符合规范 / Code follows style guide - [ ] 测试添加并通过 / Tests added and passed - [ ] 文档已更新 / Docs updated if needed - [ ] 无硬编码敏感信息 / No secrets hardcoded - [ ] 提交信息符合规范 / Commit message follows convention See merge request: cann/cann-competitions!20 | 4 个月前 | |
update: 更新文件 CONTRIBUTING.md Signed-off-by: Albertq <wujiawei25@huawei.com> | 4 个月前 | |
| 4 个月前 | ||
添加项目文档和目录结构 | 5 个月前 | |
| 4 个月前 |
CANN 开源社区竞赛仓
🎯 仓库简介
本仓库用于 CANN 开源社区各类竞赛、开源课题、社区任务等课题发布、开发者作品提交和展示。
📁 目录结构
顶层目录
official/- 官方赛事university/- 高校赛事enterprise/- 行业/区域赛事tasks/- 开源课题/社区任务
赛事类型说明
- 官方赛事：如CANN 全国挑战赛、算子天梯赛、区域赛等
- 高校赛事：各高校基于 CANN 平台举办的赛事
- 行业/区域赛事：各行业/区域基于CANN平台举办的赛事
- 开源任务：CANN社区发起的开源课题/社区任务
🚀 如何参与
1. 选择赛事目录
根据您参与的赛事类型，选择对应的目录：
- 官方赛事：
official/{赛事名称}-{年份}/ - 高校赛事：
university/{学校代码}/{赛事名称}-{年份}/ - 行业/区域赛事：
enterprise/industry/{赛事名称}-{年份}/、enterprise/regional/{赛事名称}-{年份}/ - 开源任务：
tasks/{任务名称}-{年份}/
2. 作品提交规范
在对应赛事的 submissions/ 目录下创建您的团队目录：
{team-id}_{name}_{work-title}/
├── README.md # 作品说明文档
├── code/ # 源代码
├── model/ # 模型文件
├── results/ # 实验结果
└── docs/ # 相关文档
命名规则：
team-id: 团队ID，支持多种格式：- 数字编号：team01, team02（推荐用于团队赛）
- 自定义名称：awesome-team, ai-experts（适合个人赛或已有团队名称）
- 个人ID：user123, developer-name（个人赛使用）
name: 参赛选手姓名或者队伍名work-title: 作品标题（使用短横线分隔，如 image-classification）
3. 提交要求
- 确保代码可运行、文档完整
- 提供清晰的 README.md 说明
- 遵循赛事特定的提交要求
📝 提交指南
详细的作品提交规范请参考 CONTRIBUTING.md。
📄 许可证
本仓库采用MIT开源协议。
🤝 联系我们
- 竞赛论坛：https://gitcode.com/cann/cann-competitions/discussions
- Issues：https://gitcode.com/cann/cann-competitions/issues
🙏 致谢
感谢所有参与 CANN 开源社区竞赛的开发者和贡献者！