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

Backgroud（背景信息）

使用 AscendC 对 HingeLoss 算子进行实现，该算子是 Hinge Loss 分类损失的正向算子。在神经网络训练中，Hinge Loss 常用于 SVM 等二分类任务；其前向公式为 out = max(0, 1 - target * predict)，其中 predict 为模型预测值，target 通常取值为 1 或 -1。

当前 ops-nn 已有 experimental/loss/hinge_loss_grad，用于计算上述损失对预测值的反向梯度；但缺少对应的 HingeLoss 正向算子。实现适配 Atlas A2 系列硬件（Ascend910B），满足 Ascend 平台训练场景中 Hinge Loss 前向计算与既有反向传播配套的底层算子需求。

Origin（信息来源）

哈工大算子团队

Benefit / Necessity （价值/作用）

HingeLoss 是支持向量机和间隔分类训练的基础损失函数。补齐正向算子后，可与已有 HingeLossGrad 形成完整训练闭环，避免框架将乘法、减法、ReLU/Max 等基础算子拆分组合，从而减少算子启动次数、中间 Tensor 和调度开销，并提升训练图的可维护性。

Design（设计方案）

接口与语义

• 输入：predict、target；两者 shape 相同，target 通常为 1 或 -1。
• 输出：loss，第一版输出与输入同 shape，即逐元素 loss；该设计与现有 HingeLossGrad 的逐元素 gradOutput 输入保持一致。
• 公式：loss = max(0, 1 - target * predict)。
• 第一版支持 float、float16、bfloat16 和 ND 格式；动态 shape/rank 能力与既有 HingeLossGrad 保持一致。
• reduction（none/mean/sum）作为后续扩展项，不与首版 Grad 的逐元素接口混合设计。

host 侧设计

1. 参数校验：检查 predict、target 非空，dtype 在支持范围内，shape 一致，输出 loss 的 shape/dtype 与输入一致。
2. 分核策略：按元素总数连续分块。数据能被核数整除时各核处理等量数据；不可整除时将余数块分配到前若干核。元素数量较小时使用单核，其他场景尽量满核处理。
3. 单核切分：根据 UB 容量计算 tile 长度，采用双缓冲；每个 tile 同时搬入 predict 和 target，并预留输出 loss 的 UB 空间。
4. Tiling：下发 block 数、每核起始 offset、每核元素数、tile 长度及尾块长度。该算子不依赖属性分支，首版不需要复杂 tiling key。
5. 接口：提供 aclnnHingeLossGetWorkspaceSize / aclnnHingeLoss 两段式 ACLNN 接口；无跨核归约时不需要额外 workspace。

kernel 侧设计

算子分为 Init 和 Process 两个阶段。

1. Init 阶段：
   • 从 tiling data 读取每核数据量、tile 长度和 GM 偏移；
   • 初始化 predict、target 输入队列和 loss 输出队列；
   • 初始化常数 1 和 0，以及低精度计算需要的转换 buffer。
2. Process 阶段：对每个 tile 执行以下步骤：
   • CopyIn：将 predict、target 从 Global Memory 搬入 UB；
   • Compute：执行 Mul 得到 target * predict，执行 Sub 得到 1 - target * predict，随后通过 Max 将负值截断为 0；
   • CopyOut：将逐元素 loss 从 UB 写回 Global Memory。
3. 尾块处理：对不足一个 tile 的元素使用有效长度/mask 处理，保证非 32B 对齐的数据不越界。
4. 数据类型：float16、bfloat16 输入在需要时转 float 进行中间计算，输出再转换为目标 dtype，确保精度与性能平衡。