变更摘要

此 PR 为 Atlas A2/A3 训练系列产品新增 aclnnBernoulli 和 aclnnInplaceBernoulli 算子的低内存实现，代码位于 experimental/random/bernoulli_mask。核心思路是：保留 DSAGenBitMask 的 seed/offset 随机序列生成逻辑，新增 Ascend C BernoulliMask Kernel，将 packed bit mask 直接展开为目标数据类型的 0 或 1，从而避免原实现中全尺寸 Fill、DropoutDoMask 及部分 Cast 中间张量带来的额外内存占用。对于连续输出，压缩 mask 与输出复用同一块设备内存，Kernel 从高地址向低地址分波展开，在波次之间同步以避免覆盖尚未读取的 mask；非连续输出则通过 ViewCopy 写回。

主要改动

• 新增 BernoulliMask Ascend C Kernel：在 op_kernel/bernoulli_mask.h 中实现模板类 KernelBernoulliMask<T>，支持 10 种输出数据类型（half/float/double/uint8_t/int8_t/int16_t/int32_t/int64_t/bfloat16_t/bool），通过模板特化和 Select/Cast 组合将 packed bit mask 按位展开为目标类型的 0 或 1；double 类型使用 Gather 指令将两个 float 拼接为 fp64。

• 新增内存复用路径 ProcessAliased：当输出满足连续稠密布局且可容纳压缩 mask 时（由 CanWriteOutDirectly 判定），BernoulliMask Kernel 将 mask 直接写入输出 buffer 的高地址段，通过 ProcessAliased 方法从高到低逐波展开并在波间执行 SyncAll，最后在 Core 0 处理剩余前缀，实现 mask 与输出的零额外内存复用。

• 新增 API 层架构分支调度：aclnn_bernoulli.cpp 中 BernoulliGetWorkspaceSizeCommon 根据 NPU 架构分派：DAV_2201 走 DSAGenBitMask + BernoulliMask 低内存路径，DAV_3510 走 StatelessBernoulli 路径；prob=0 和 prob=1 分别走 ZerosLike/OnesLike 快速路径；同时提供 aclnnBernoulli 和 aclnnInplaceBernoulli 的完整两段式 API。

• 新增 Tiling 与算子注册：bernoulli_mask_tiling.cpp 实现 UB 内存预算驱动的分 tile 策略——根据 UB 大小扣除预留量后按 bytes_per_element 计算 tileElements，并分配给多核；bernoulli_mask_def.cpp 注册算子，输入固定为 DT_UINT8 packed mask，输出支持 10 种数据类型；bernoulli_mask_infershape.cpp 通过 output_shape 属性完成形状推导。

• 新增完整的测试与示例：包含 ACLNN 功能矩阵 ST 测试（test_aclnn_bernoulli_st.cpp，覆盖 10 种输出 dtype、4 种概率 dtype、rank 0~8、连续/非连续/转置/空 Tensor、inplace/outplace、边界情况、可复现性等）、Kernel UT（shape 推导与 tiling 参数验证）、TTK golden 脚本（bernoulli_mask.py）以及示例程序（test_aclnn_bernoulli.cpp）。

代码审查

Now I have completed my thorough review of all 29 files. Let me write the closing summary.

审查总结

审查覆盖的 29 个文件

问题统计

• P0: 0
• P1: 0
• P2: 0
• P3: 2（均为测试/示例代码中 aclOpExecutor* 资源泄漏）

整体风险评估

低风险。 核心算子逻辑（Kernel、Tiling、L0 Launcher、InferShape、算子定义）经过严格审查，未发现正确性、安全性或可靠性问题。整数溢出检查、空指针校验、返回值检查、同步原语使用、存储复用地址计算等均正确。两个 P3 问题仅涉及测试和示例代码中的 executor 资源泄漏，不影响生产行为。

⚠️ 已识别出整体风险，但无法提取行内评论，请参考整体评估。