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

Backgroud（背景信息）

GRU（Gated Recurrent Unit）是常用的序列建模单元。当前 PyTorch 框架中 torch.nn.GRU 的 backward 包含 6 个输出（dx、dh_prev、dw_ih、dw_hh、db_ih、db_hh），现有实现通过逐个 kernel launch 组合计算，中间结果在 GM 间反复读写，访存带宽成为性能瓶颈。

本需求将 GRU 反向融合为单个 AscendC 算子 GruGrad，将 vector 门梯度计算 + 4 个 matmul（dgateMM、dwIhMM、dwHhMM、dxMM）+ bias reduce 整合到一颗 kernel 内，消除不必要的中间结果 GM 搬运，显著提升反向传播性能。

Origin（信息来源）

该需求来源于 PyTorch 大模型训练场景中的 GRU 反向性能优化。

Benefit / Necessity （价值/作用）

1.通过 kernel 融合消除 5+ 次中间结果 GM 读写，访存带宽利用率有所提升。
2.支持不定长场景，补全完整性。

Design（设计方案）

将 GRU 反向计算中的 4 类操作融合到单颗 AscendC kernel 内：

时间步循环（tIdx = T-1 → 0）:
  1. ProcessVector  — 门梯度计算（d_reset/d_update/d_i_new/drh）+ 数据重排写回
  2. ProcessDgateMM — d_gh × w_hh → dh_prev 的 matmul 部分
  3. AccumulateDhPrev — dh_prev += grad_h * z

循环结束后:
  4. ProcessDwIhMM — d_gi^T × x → dwInput
  5. ProcessDwHhMM — d_gh^T × h_prev → dwHidden
  6. ProcessDxMM   — d_gi × w_ih^T → dx
  7. ProcessBiasReduce × 2 — sum(d_gi) / sum(d_gh) → dbInput / dbHidden

Process 整体流程

Process():
    // 预配置: dgateMM 的 B 矩阵(w_hh)和 tail 不随时间步变化
    if GetBlockIdx() < dgateMMTiling.usedCoreNum:
        dgateMM.SetTensorB(wHidden, false)
        if not isSeqLength:
            ApplyTail(dgateMM, dgateMMTiling, dgateTail)

    InitDhPrev()              // 不定长: 预写 dh 到 dhPrevWsGm

    for tIdx = T-1 down to 0:
        ProcessVector(tIdx)   -- 门梯度计算 + 数据重排
        SyncAll()
        ProcessDgateMM(tIdx)  -- d_gh * w_hh -> dhPrevWs
        SyncAll()
        AccumulateDhPrev(tIdx)-- dhPrevWs += dhFromH
    StoreDhPrev()             -- dhPrevWs -> dhPrev 输出
    ProcessDwIhMM()           -- d_gi^T * x  -> dwInput
    ProcessDwHhMM()           -- d_gh^T * h -> dwHidden
    ProcessDxMM()             -- d_gi * w_ih^T -> dx
    if isBias == 1:
        ProcessBiasReduce(dGiGm, dbInput, rows=totalSteps, cols=3H)
        ProcessBiasReduce(dGhGm, dbHidden, rows=totalSteps, cols=3H)