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

一、背景信息 （必填）

使用 AscendC对TBE实现的 AsStrided 算子进行 AICore 实现重构，适配 Atlas A2 训练系列产品。AsStrided 根据 size、stride 和 storage_offset 从输入 Tensor 的底层存储中按步长取数，生成指定 shape 的输出 Tensor，语义对齐 torch.as_strided 的取数规则。

二、价值/作用 （必填）

AsStrided 是张量视图、切片、滑窗、非连续内存布局访问等场景的基础算子能力。该算子本身不进行数值计算，仅进行按 stride 的数据读取与输出写回，可为 ACLNN 直调及后续上层框架接入提供 NPU 侧实现，减少相关场景回退或低效通用搬运路径。

三、设计方案 （必填）

3.1 使能方式（涉及哪些框架：如Aclnn直调、Pytorch训练等）

当前支持 ACLNN 直调，提供以下接口：

aclnnAsStridedGetWorkspaceSize：根据 x、size、stride、storageOffset、out 生成执行器并返回 workspace 大小。
aclnnAsStrided：提交 AICore 算子执行。

Level 0 接口将 aclIntArray 类型的 size、stride、storageOffset 转换为 INT64 Tensor，执行 shape 推导后进入 AICore 路径；当当前 dtype 或平台不满足 AICore 支持条件时，使用 ViewCopy 作为兜底路径。

3.2 总体设计

AsStrided 的输出 shape 由 size 决定，输出每个元素的输入偏移计算公式为：

input_offset = storage_offset + sum(output_coord[i] * stride[i])

即：

y[coord] = x[input_offset]

算子只进行数据搬运和布局重排，不涉及数值计算，因此不涉及 FP16/BF16 升精度。

3.2.1 算子支持的数据类型

3.2.2 host侧设计

Host 侧完成以下工作：

1. 注册 x、size、stride、storage_offset、y 及支持的数据类型。
2. 根据 size 推导输出 shape，输出 dtype 与输入 x 保持一致。
3. 校验 size 与 stride 的 rank 一致且 rank > 0，当前最大支持 rank 为 8。
4. 校验 size、stride、storage_offset 均为非负，且 as_strided 访问范围不越过输入 storage。
5. 获取平台核数、UB 大小、dtype 字节数，计算 32B 对齐 blockElements、UB tile 大小和多核切分参数。
6. 根据 stride 模式、输入跨度、UB 容量和 shape 特征选择 Tiling Key。

主要 Tiling 策略包括：

Kernel 总体流程如下：

flowchart TD
    A["as_strided Kernel 入口"] --> B["读取 TilingData"]
    B --> C["创建 TPipe 与 AsStridedKernel"]
    C --> D["Init 初始化"]

    D --> D1["加载 tilingKey、shape、stride、storage_offset、UB 与多核切分参数"]
    D1 --> D2["按 tilingKey 确定 splitElements"]
    D2 --> D3["根据 blockIdx 计算 coreBaseIndex 与 currentCoreElements"]
    D3 --> D4["绑定输入 / 输出 GM Buffer"]
    D4 --> D5["按路径申请 UB Buffer"]

    D5 --> E{"currentCoreElements > 0 且 ubElements > 0?"}
    E -- "否" --> Z["当前核无任务，直接返回"]
    E -- "是" --> F{"按 tilingKey 分发"}

    F -- "CONTIGUOUS" --> P0["连续视图：DataCopyPad 双缓冲块搬运"]
    F -- "CONTIGUOUS_SMALL_ALIGNED" --> P9["小对齐连续视图：单 UB DataCopy / DataCopyPad"]
    F -- "COMPACT_SPAN" --> P10["整段输入进 UB：生成 mask / Gather 打包输出"]
    F -- "COMPACT_SUFFIX" --> P11["复用 suffix mask：按 suffix block Gather 打包输出"]
    F -- "STRIDE_1" --> P1["最后一维连续：按行分块搬运"]
    F -- "STRIDE1_ROW_BATCH" --> P6["小行批量：二维 DataCopyPad 后打包输出"]
    F -- "GENERAL_STRIDE" --> P2["通用 stride：DataCopy srcStride 搬运即重排"]
    F -- "GENERAL_SMALL_SPAN" --> P7["小跨度：加载覆盖 span 后按 stride 打包"]
    F -- "RANK1_STRIDE" --> P5["Rank-1 stride：按输出元素多核切分，srcStride 搬运"]
    F -- "RANK1_STRIDE_SPAN" --> P8["Rank-1 小跨度：加载连续 span 后打包"]
    F -- "BROADCAST" --> P3["stride 为 0：读取单元素并在 UB 内复制"]
    F -- "其他 / SCALAR" --> P4["标量兜底：逐元素 ComputeInputOffset 后读写"]

    P0 --> G["写回连续输出 GM"]
    P9 --> G
    P10 --> G
    P11 --> G
    P1 --> G
    P6 --> G
    P2 --> G
    P7 --> G
    P5 --> G
    P8 --> G
    P3 --> G
    P4 --> G

    G --> H["当前核处理完成"]

3.2.3 kernel侧设计

Kernel 根据 Tiling Key 分发到不同处理路径。核心逻辑包括：

1. 读取 TilingData 中的输出维度、stride、storage_offset、多核切分、UB tile 和 compact suffix 信息。
2. 通过 ComputeInputOffset 将输出线性下标映射到输入 storage 偏移。
3. 连续场景使用 DataCopy / DataCopyPad 做块搬运。
4. 通用 stride 场景使用 DataCopy srcStride 跳过输入间隙并写成连续输出。
5. compact span/suffix 场景将输入覆盖区搬入 UB，再使用 gather mask 打包有效元素。
6. broadcast 场景读取单个输入元素并在 UB 中扩展后写回。
7. 非 32B 对齐尾块使用 DataCopyPad 处理。

3.3 支持硬件

3.4 算子约束限制

1. x、y 数据格式为 ND。
2. size、stride 长度必须一致，且输出 rank 当前限制为 1 到 8。
3. size、stride、storage_offset 支持 INT32 / INT64。
4. storage_offset 必须为非负；stride 当前仅支持非负 stride。
5. 根据 size、stride、storage_offset 计算出的最大访问偏移必须小于输入元素个数。
6. size、stride、storage_offset 在 Tiling 阶段需要可取值。
7. 当前实现为输出 Tensor 拷贝语义，不承诺返回与输入共享 storage 的 alias 视图。
8. compact/gather 专用路径受 dtype、输入跨度、UB 容量和指令参数限制，不满足时回退到通用路径。

💡 备注（选填）
AsStrided 为访存密集型算子。当前设计通过连续搬运、srcStride 搬运、compact span/suffix gather、小 shape 专用路径、DataCopyPad 尾块处理和多核任务切分提升不同 stride 模式下的有效带宽。后续验证建议覆盖 ACLNN 直调样例、msopst 精度对比（golden 使用 torch.as_strided）、多 dtype / 多 rank / 多 Tiling Key 用例，以及与内置实现的性能对比。