Thanks for sending an requirement! Please fill in the following template to help quickly solve your problem.

Backgroud（背景信息）

check_valid（算子注册名 CheckValid，aclnn 函数 aclnnCheckValid）是目标检测后处理阶段的边界框合法性校验算子。
anchor-based 检测器（Faster R-CNN、Mask R-CNN、RetinaNet、SSD、YOLOv3 等）在 RPN 或 bbox head 阶段会批量生成大量
候选框（anchor / proposal），其中相当一部分会落在图像有效区域之外；后续 IoU 计算、NMS、RoIAlign 等环节要求输入框
必须落在图像范围内，否则会产生越界访问或无意义结果。CheckValid 即对每个候选框做一次逐框越界判定，输出长度为 N
的 0/1 掩码（1=合法、0=非法），供下游按掩码过滤。CANN 内置 proto 注释将其明确标注为 "customized FasterRcnn operator"。

Origin（信息来源）

NA

Benefit / Necessity （价值/作用）

check_valid（算子注册名 CheckValid，aclnn 函数 aclnnCheckValid）是 anchor-based 目标检测后处理阶段的
边界框合法性校验算子。检测器（Faster R-CNN / Mask R-CNN / RetinaNet / SSD 等）在 RPN 或 bbox head 阶段会
批量生成大量候选框（anchor 或 proposal），其中相当一部分会落在图像有效区域之外；后续 IoU 计算、NMS、RoI Align 等
环节要求输入框必须落在图像范围内，否则会产生越界访问或无意义结果。CheckValid 即在此环节对每个候选框做一次
逐框越界判定，输出一个长度为 N 的 0/1 掩码（1=合法、0=非法），供下游按掩码过滤。

Design（设计方案）

1 CANN 方案分析

source.md

研究模式：未接入源码仓（reference/ 不存在）。CANN 侧结论基于本地安装包 cann-9.1.0 实证搜索
（$ASCEND_OPP_PATH/built-in/op_proto/inc/ 内置 proto + 全包 aclnnCheckValid 符号检索）；MindSpore 参考实现
走读基于 github.com/mindspore-ai/mindspore 仓库 master 公开源码。未杜撰本仓本地文件行号。

1.1 算子概述

CheckValid 是 CANN nn_detect_ops（检测算子族）中的边界框合法性校验算子，CANN 内置 proto 注释明确标注为
"customized FasterRcnn operator"。其语义源自 MindSpore mindspore.ops.CheckValid，对 (N,4) 候选框逐框判定
是否落在 img_metas 给定的图像有效边界内，输出 (N,1) 的 int8 0/1 掩码。

算子名映射：

1.2 交付件覆盖总览

按 CANN 交付件类别逐项在本地安装包 cann-9.1.0 内实证检索：

结论：CANN 侧仅交付了 GEIR 原型（IR 注册），aclnn API / Kernel / Tiling / 信息库 / Shape 推导均未在公开仓交付。
本工作流即为其补齐 Ascend 950（arch35）实现 + aclnn 两段式接口 + GEIR 推导。

1.3 GEIR 原型（注册信息 + 类型支持矩阵）

1.3.1 注册信息（原文摘录，权威 IR）

来源：/usr/local/Ascend/cann-9.1.0/opp/built-in/op_proto/inc/nn_detect_ops.h 第 106–130 行（本地内置 proto，
最高事实源）：

/**
 *@brief Judges whether the bounding box is valid. It is a customized
 * FasterRcnn operator .

 *@par Inputs:
 * Two inputs, including:
 * @li bbox_tensor: Bounding box. A 2D Tensor of type float16 or float32 with shape (N, 4).
 * "N" indicates the number of bounding boxes, the value "4" indicates "x0",
 * "x1", "y0", and "y1".
 * @li img_metas: Valid boundary value of the image. A 1D Tensor of type float16 or float32
 * with shape (16,) \n

 *@par Outputs:
 *valid_tensor: A bool with shape (N, 1), specifying whether an input anchor is
 * in an image. "1" indicates valid, while "0" indicates invalid . \n

 *@attention Constraints:
 * 16 "img_metas" are input. The first three numbers (height, width, ratio) are
 * valid, specifying the valid boundary (heights x ratio, weights x ratio).
 */
REG_OP(CheckValid)
    .INPUT(bbox_tensor, TensorType({DT_FLOAT16, DT_FLOAT}))
    .INPUT(img_metas, TensorType({DT_FLOAT16, DT_FLOAT}))
    .OUTPUT(valid_tensor, TensorType({DT_INT8}))
    .OP_END_FACTORY_REG(CheckValid)

1.3.2 类型支持矩阵（以本地内置 proto 为准）

dtype 组合（aclnn / GEIR 应支持的输入组合，输出固定 DT_INT8）：

MindSpore CPU kernel 额外支持 int16 / uint8 输入、bool 输出；本 Ascend 实现严格对齐 CANN 内置 proto，
仅交付 float16 / float32 输入 → int8 输出两种组合。

1.3.3 文档不一致裁定（见 model_research.md §算子数学背景）

1. bbox 列序：proto 注释 (x0, x1, y0, y1) vs MindSpore / kernel (x0, y0, x1, y1) → 以 MindSpore / kernel 实证为准。
2. img_metas 长度：proto 注释 (16,) vs MindSpore 文档 (3,) → 仅读前 3 元素，aclnn/GEIR 兼容两种长度。
3. 输出 shape：proto 注释 (N, 1) vs MindSpore Python (N,) → aclnn/Ascend 按 proto 输出 (N, 1) int8，框架适配层负责 (N,1) int8 ↔ (N,) bool 转换。

1.4 信息库 / aclnn / Shape / Kernel / op-plugin 适配

1.4.1 信息库

未在本地公开仓检出 CheckValid 信息库配置（aicore_*_infos.json 等）。新建算子工程时需补齐
opp_kernel_info.json / op_info_cfg 条目，dtype 组合与上表一致。

1.4.2 aclnn API

未检出 aclnnCheckValid / aclnnCheckValidGetWorkspaceSize 符号。需按 aclnn 两段式约定新建：

aclnnStatus aclnnCheckValidGetWorkspaceSize(
    const aclTensor *bbox_tensor, const aclTensor *img_metas,
    aclTensor *valid_tensor, uint64_t *workspaceSize, aclOpExecutor **executor);
aclnnStatus aclnnCheckValid(void *workspace, uint64_t workspaceSize,
    aclOpExecutor *executor, aclrtStream stream);

1.4.3 Shape 推导

• 输入：bbox_tensor (N, 4)、img_metas (≥3,)。
• 输出：valid_tensor (N, 1)，dtype INT8。
• 校验：bbox 必须为 2D 且末维 = 4；img_metas 必须为 1D 且长度 ≥ 3；两输入 dtype 必须相同且 ∈ {FLOAT16, FLOAT}；
  否则 InferShape 阶段报错。

1.4.4 Kernel 实现（Ascend 950 / arch35，待新建）

• 计算范式：纯 Vector（比较 + 一次标量浮点减法），无 Cube / 无 Cube-Vector 混合。
• 数据流：GM → UB（bbox_tensor 按 N 切分；img_metas 仅 3 元素，广播到各核）→ Vector 比较生成 int8 掩码 → GM。
• Tiling 要点：按 N 切多核（block 维度切分），单核内按 UB 容量切分 (N,4) 行块；img_metas 小张量全量搬入 UB 或直接走标量寄存器。
• 边界：N=0 空 bbox 需 kernel 提前 return；输出 int8 按 (N,1) 连续写。
• workspace：预计仅需极小 workspace（或 0），无中间大张量。

1.4.5 op-plugin / Torchair 适配

PyTorch 无原生 check_valid 算子，op-plugin 无适配对象；torchair 同理。MindSpore 侧经 GEIR 注册即可在 Ascend 后端
dispatch 到本算子，无需额外框架插件。

1.5 参考实现走读（MindSpore CPU kernel，作为 Golden / 语义基准）

来源：github.com/mindspore-ai/mindspore，mindspore/ccsrc/plugin/device/cpu/kernel/check_valid_cpu_kernel.cc
（master 分支公开源码，Apache-2.0）。该实现是本算子 Ascend kernel 与 Golden 的语义基准。

1.5.1 核心计算（LaunchKernel<T>，逐字摘录关键段）

const double offset = 1.0;
auto height = static_cast<double>(img_metas[kIndex0]);   // H
auto width  = static_cast<double>(img_metas[kIndex1]);   // W
auto ratio  = static_cast<double>(img_metas[kIndex2]);   // r
auto img_width_x  = width * ratio - offset;              // W*r - 1
auto img_height_y = height * ratio - offset;             // H*r - 1

auto task = [...](size_t start, size_t end) {
  const T ZERO = static_cast<T>(0);
  for (size_t i = start; i < end; i++) {
    const size_t left_x  = i * 4;      // x0
    const size_t left_y  = i * 4 + 1;  // y0
    const size_t right_x = i * 4 + 2;  // x1
    const size_t right_y = i * 4 + 3;  // y1
    bool valid_flag = false;
    valid_flag = valid_flag || std::less<T>()(anchor_box[left_x], ZERO);            // x0 < 0
    valid_flag = valid_flag || std::less<T>()(anchor_box[left_y], ZERO);            // y0 < 0
    valid_flag = valid_flag || std::less<double>()(img_width_x, anchor_box[right_x]);  // x1 > W*r-1
    valid_flag = valid_flag || std::less<double>()(img_height_y, anchor_box[right_y]); // y1 > H*r-1
    output[i] = !valid_flag;
  }
};