一、背景信息 （必填）

ConfusionMatrix 计算分类任务的混淆矩阵：对每个索引 i 将 weights[i]（缺省为 1）累加到
y[labels[i], predictions[i]]，输出 num_classes×num_classes 矩阵，兼容 TensorFlow
tf.math.confusion_matrix。canndev built-in 已有 A2（Ascend910B/910C）TBE 实现，
ops-math 下一代仓尚缺 Ascend950（arch35）实现。

二、价值/作用 （必填）

补齐 ops-math 仓 Ascend950 平台的算子覆盖；配合 common tf-plugin（#5653 已合入）支撑
tf 图调用，同时提供 GE 图通路；分类评估、长尾 scatter-add 类场景可直接使用。

三、设计方案 （必填）

3.1 使能方式

GE 图（REG_OP 注册 + InferShape/InferDataType 双挂）；tf 图（common/src/framework/
confusion_matrix_tf_plugin.cpp）。不交付 aclnn——对齐 built-in 支持面（A2 无 aclnn 源码）。

3.2 总体设计

3.2.1 算子支持的数据类型

labels/predictions：FLOAT / FLOAT16 / INT32 / INT8 / UINT8（两者 dtype 相同）；
weights 与输出 dtype 相同：FLOAT / FLOAT16 / INT32 / INT8 / UINT8；共 25 种组合。
输出 dtype 由属性 dtype 指定（"float32"/"int32"/"int8"/"float16"/"uint8"）。

3.2.2 host侧设计

arch35 tiling：按输出矩阵与 UB 容量关系选择调度策略（full_load / batch_load /
not_full_load / determine），TilingKey = 策略 × 输出 dtype × weights 有无；
shape/dtype/num_classes 校验使用 OP_LOGE_FOR_INVALID_* 结构化宏。

3.2.3 kernel侧设计

SIMT 范式（参照 bincount）：2D scatter-add，偏移 = label × num_classes + prediction；
full_load 在 UB 上原子加后 SetAtomicAdd 回写；not_full_load 直接 GM 原子加；
determine 按输出行切核消除跨核原子加（确定性模式，int8/uint8 固定走此路径）。

3.3 支持硬件

Ascend950（arch35）

3.4 算子约束限制

labels/predictions/weights 均为 1D 且 shape 相同；1 ≤ num_classes ≤ 4096；
仅支持 ND 格式；labels/predictions 值域不做校验（与 built-in TBE 行为一致）。

💡 备注：关联 PR：https://gitcode.com/cann/ops-math/pull/5444