Background（背景信息）

BNInferGrad 用于计算 Batch Normalization 推理模式下输入的反向梯度。当前需要为该算子补充 Ascend 950 平台的 AscendC 实现，打通算子定义、图推导、Host Tiling、Kernel、GEIR 示例、测试与文档链路。

计算公式如下：

$$x\_backprop = grads \times \frac{scale}{\sqrt{batch\_variance + epsilon}}$$

其中 scale 和 batch_variance 沿 grads 的 C 维广播。

Origin（信息来源）

Vector 相关需求。

Benefit / Necessity（价值/作用）

• 补齐 BNInferGrad 算子在 Ascend 950 平台上的 AscendC 实现。
• 支持 FLOAT16、FLOAT、BFLOAT16 三种梯度数据类型以及 2D～5D 输入。
• 完善从图定义、Shape/Dtype 推导、Tiling 到 Kernel 执行的完整算子链路。
• 补充 GEIR 示例、UT、Golden 和算子文档，提高功能可验证性和后续维护效率。

Design（设计方案）

1. 功能规格

• grads：2D～5D ND 张量，支持 FLOAT16、FLOAT、BFLOAT16。
• scale：一维 FLOAT 张量，长度必须等于 grads 的 C 维。
• batch_variance：一维 FLOAT 张量，长度必须等于 grads 的 C 维。
• epsilon：可选 FLOAT 属性，默认值为 0.0001。
• x_backprop：shape 和数据类型与 grads 保持一致。

2. 算子定义与图推导

• 新增 BNInferGrad 算子原型和 OpDef 注册。
• 实现 Graph Infer、InferShape 和 InferDataType。
• 配置 Ascend 950 AI Core，支持动态 Shape、动态 Rank 和动态 Format。

3. Host Tiling

• 新增 arch35 Tiling 实现及 UB 容量计算。
• 输入 rank 2～4 使用 RANK_4 TilingKey，rank 5 使用 RANK_8 TilingKey。
• 实现 C 维广播归一化、多核切分和空 Tensor 处理。
• 校验 grads rank、scale/batch_variance rank 及通道长度一致性。

4. AscendC Kernel

• 新增 Ascend 950 Kernel 入口和 BnInferGradKernel 模板实现。
• FP32 路径直接计算；FP16/BF16 路径转换为 FP32 计算后再转换回原数据类型。
• 使用 NDDMA 随路广播读取 scale 和 batch_variance。
• 支持多核分片计算和结果搬出。

5. 测试与文档

• Tiling UT 覆盖三种数据类型、2D～5D、TilingKey 分发、广播、空 Tensor、多核大 Shape及非法输入。
• InferShape UT 覆盖 2D、4D、5D 输入。
• Kernel UT 覆盖 RANK_4、RANK_8 数值校验。
• GEIR 示例覆盖 FP16 多核广播、BF16 数值校验及非法 rank 拒绝场景。
• 新增算子 README，并更新中文算子清单。

Acceptance Criteria（验收标准）

• Ascend 950 上能够正确编译和执行 BNInferGrad。
• 支持 2D～5D ND 输入及 FLOAT16、FLOAT、BFLOAT16 梯度数据类型。
• 输出 shape、dtype 和数值结果符合算子规格及 Golden 结果。
• 非法 rank 和通道长度不匹配场景能够正确拦截。
• 相关编译、UT、GEIR 和仓库准入检查通过。
• 算子 README 和算子清单更新完整。

Related PR（关联 PR）

• https://gitcode.com/cann/ops-nn/pull/7960