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

Backgroud（背景信息）

bounding_box_decode（算子注册名 BoundingBoxDecode，aclnn 函数 aclnnBoundingBoxDecode）是目标检测后处理阶段的
边界框解码算子。anchor-based 检测器（Faster R-CNN、RetinaNet、SSD、YOLOv3 等）的回归分支不直接预测绝对坐标，
而是预测相对锚框的偏移量 deltas = (dx, dy, dw, dh)；推理时需要把这组偏移量结合锚框 anchor_box = (x1, y1, x2, y2)
"解码"回图像坐标空间的绝对框 (x1, y1, x2, y2)，才能用于后续 NMS、画框或 COCO mAP 评估。该算子是
bounding_box_encode 的严格逆运算，两者共享同一套 (means, stds) 标准化参数与 (x1, y1, x2, y2) 锚框坐标约定，
必须配套使用以保证训练 / 推理编码一致。

Origin（信息来源）

NA

Benefit / Necessity （价值/作用）

bounding_box_decode 是目标检测（two-stage 与 anchor-based one-stage 检测器）后处理阶段的边界框解码算子。
检测网络的回归分支不直接预测绝对坐标，而是预测相对锚框（anchor box）的偏移量 deltas = (dx, dy, dw, dh)，
推理时需要把这些偏移量"解码"回图像坐标空间的绝对框 (x1, y1, x2, y2)，才能用于后续 NMS、画框或 COCO mAP 评估。

该算子是 bounding_box_encode 的逆运算：encode 把 (anchor, ground_truth) → deltas，decode 把
(anchor, deltas) → decoded box。两者共享同一套 (means, stds) 标准化参数与同一套 (x1, y1, x2, y2)
锚框坐标约定，配套使用才能保证训练 / 推理编码一致。

Design（设计方案）

1.1 算子功能

bounding_box_decode（算子注册名 BoundingBoxDecode，aclnn 函数 aclnnBoundingBoxDecode）是 anchor-based 目标检测后处理阶段的边界框解码算子：把检测网络回归分支预测的相对偏移量 deltas (N, 4) 与锚框 anchor_box (N, 4) 按 Faster R-CNN 范式"解码"回图像坐标空间的绝对框 boxes (N, 4)，供后续 NMS / IoU / COCO mAP 评估使用。该算子是同族 bounding_box_encode 的严格逆运算，两者共享同一套 (means, stds) 标准化参数与 (x1, y1, x2, y2) 锚框坐标约定，必须配套使用以保证训练 / 推理编码一致。计算范式为纯 elementwise + 逐行 4 元素解码，无跨元素依赖、无 reduce、无排序，属 Ascend C Vector-bound 场景。

1.2 算子定义(自然语言)

输入两路张量：

• anchor_box (N, 4)：锚框坐标，列含义 (x1, y1, x2, y2)，dtype ∈ {float16, float32}，Format ND。
• deltas (N, 4)：回归分支预测的偏移量，列含义 (dx', dy', dw', dh')，dtype / shape 必须与 anchor_box 完全一致（无广播）。

属性四项：

• means（ListFloat，长度 4，默认 (0,0,0,0)）：deltas 反标准化的均值，须与训练侧 bounding_box_encode 一致。
• stds（ListFloat，长度 4，各元素 ≠ 0，默认 (1,1,1,1)）：deltas 反标准化的标准差。
• wh_ratio_clip（Float，> 0，默认 0.016）：宽高比裁剪阈值。据 REQUIREMENTS §2.1.3，MindSpore 官方示例在不含 dw/dh 硬裁剪路径下即可逐值复现，wh_ratio_clip 的精确裁剪作用点为待确认项；本设计核心公式不引用该字段（见 §1.3 与 {{DESIGN 缺口：wh_ratio_clip 精确裁剪语义待确认}}）。
• max_shape（ListInt，长度 2 = (H, W)）：解码框裁剪上限，x 维度裁到 [0, W]、y 维度裁到 [0, H]，下界裁到 0 防止负坐标。aclnn / GEIR 层为必填属性（无运行时默认）。

计算语义（逐 anchor 行独立、行间无依赖）：

1. 由 anchor_box 计算锚框中心 / 宽高（含 +1 偏移，与 encode 对齐，保证宽高至少为 1 防除零）：pw = x2 - x1 + 1、ph = y2 - y1 + 1、pcx = (x1 + x2) * 0.5、pcy = (y1 + y2) * 0.5。
2. 反标准化（decode 侧 deltas * stds + means，与 encode 侧 (raw - means) / stds 互逆）：dx = dx' * s0 + m0、dy = dy' * s1 + m1、dw = dw' * s2 + m2、dh = dh' * s3 + m3。
3. 解码回绝对空间的中心 / 宽高：gw = pw * exp(dw)、gh = ph * exp(dh)、gx = pcx + pw * dx、gy = pcy + ph * dy。
4. 中心 / 宽高回四角坐标（与 encode 的 +1 偏移严格对齐，+0.5 / -0.5 抵消 +1）：x1_out = gx - gw * 0.5 + 0.5、y1_out = gy - gh * 0.5 + 0.5、x2_out = gx + gw * 0.5 - 0.5、y2_out = gy + gh * 0.5 - 0.5。
5. 按 max_shape = (H, W) 裁剪到合法图像范围：x 维度裁到 [0, W]、y 维度裁到 [0, H]。

输出：

• boxes (N, 4)：解码后的绝对框 (x1, y1, x2, y2)，dtype / shape 与 anchor_box 完全一致，Format ND，无 inplace aliasing。

数值稳定性约束（spec.yaml numerical_stability）：float16 输入时 exp(dw)/exp(dh) 及后续乘加中间量必须在 fp32 域计算后再回 cast 到 fp16，避免 exp 中间结果溢出 fp16 范围（max 65504，exp(11.1) ≈ 66000）。float32 输入全程 fp32 计算。

1.3 数学公式(LaTeX)

设锚框 $\text{anchor\_box} = (x_1, y_1, x_2, y_2)$、偏移量 $\text{deltas} = (d_x', d_y', d_w', d_h')$，属性 $\text{means} = (m_0, m_1, m_2, m_3)$、$\text{stds} = (s_0, s_1, s_2, s_3)$、$\text{max\_shape} = (H, W)$。以下公式对每一行（每个 anchor）独立成立，行间无依赖、无广播。

步骤 1 · 锚框中心 / 宽高（含 +1 偏移，与 encode 对齐，保证宽高至少为 1 防除零）：

$$p_w = x_2 - x_1 + 1,\quad p_h = y_2 - y_1 + 1$$

$$p_{cx} = (x_1 + x_2) \cdot 0.5,\quad p_{cy} = (y_1 + y_2) \cdot 0.5$$

步骤 2 · 反标准化（decode 侧 deltas * stds + means，与 encode 侧 (raw - means) / stds 互逆）：

$$d_x = d_x' \cdot s_0 + m_0,\quad d_y = d_y' \cdot s_1 + m_1$$

$$d_w = d_w' \cdot s_2 + m_2,\quad d_h = d_h' \cdot s_3 + m_3$$

步骤 3 · 解码回绝对空间的中心 / 宽高：

$$g_w = p_w \cdot \exp(d_w),\quad g_h = p_h \cdot \exp(d_h)$$

$$g_x = p_{cx} + p_w \cdot d_x,\quad g_y = p_{cy} + p_h \cdot d_y$$

步骤 4 · 中心 / 宽高回四角坐标（与 encode 的 +1 偏移严格对齐，+0.5 / -0.5 抵消 +1）：

$$\tilde{x}_1 = g_x - g_w \cdot 0.5 + 0.5,\quad \tilde{y}_1 = g_y - g_h \cdot 0.5 + 0.5$$

$$\tilde{x}_2 = g_x + g_w \cdot 0.5 - 0.5,\quad \tilde{y}_2 = g_y + g_h \cdot 0.5 - 0.5$$

步骤 5 · 按 max_shape = (H, W) 裁剪（下界裁到 0 防止负坐标，x 维度裁到 [0, W]、y 维度裁到 [0, H]）：

$$x_1^{out} = \mathrm{clip}(\tilde{x}_1,\, 0,\, W),\quad y_1^{out} = \mathrm{clip}(\tilde{y}_1,\, 0,\, H)$$

$$x_2^{out} = \mathrm{clip}(\tilde{x}_2,\, 0,\, W),\quad y_2^{out} = \mathrm{clip}(\tilde{y}_2,\, 0,\, H)$$

输出：

$$\text{boxes} = (x_1^{out},\, y_1^{out},\, x_2^{out},\, y_2^{out})$$

关于 wh_ratio_clip：spec.yaml attributes.wh_ratio_clip.semantics 明确"REQUIREMENTS §2.1.3 指出官方示例在不含 dw/dh 硬裁剪路径下复现，其精确裁剪作用点为待确认项，核心 formula 暂不引用"。故本节公式不含 wh_ratio_clip 的硬裁剪项；上游真值（spec.yaml math_semantics.formula）与之完全一致。{{DESIGN 缺口：wh_ratio_clip 精确裁剪语义待确认，本设计公式暂不引用，golden / ST 以"不含 dw/dh 硬裁剪"为基线真值}}

关于精度计算路径：spec.yaml math_semantics.formula 与 numerical_stability 规定，float16 输入时中间 exp / 乘加量升精度到 fp32 计算（a = anchor_box.astype(np.float32)、d = deltas.astype(np.float32)），最终 .astype(anchor_box.dtype) 回 cast。float32 输入全程 fp32。本公式为语义真值，kernel 实现须保证数值等价（详见 §1.4 与 §10）。

真值可追溯性：上述公式已在 MindSpore 官方文档示例（anchor_box=[[4,1,2,1],[2,2,2,3]]、deltas=[[3,1,2,2],[1,2,1,4]]、max_shape=(768,1280)、means=(0,0,0,0)、stds=(1,1,1,1)、wh_ratio_clip=0.016，期望输出 [[4.1953125, 0.0, 0.0, 5.1953125], [2.140625, 0.0, 3.859375, 60.59375]]）上逐值复现（详见 REQUIREMENTS §2.1.2）。本节公式即为后续所有分支 Kernel 计算链、以及验证 golden 的唯一语义源。