Backgroud（背景信息）

现有 canndev 已包含 SigmoidFocalLossGrad 的图原型和历史实现信息，但 ops-nn 尚无该算子的 Ascend 950 内置实现。目标检测等使用 Sigmoid Focal Loss 的训练网络需要在 Ascend 950 上完成对应反向梯度计算。

该算子在 canndev 和 ops-nn 中均没有 ACLNN 接口契约，因此需求范围明确为 GEIR 图模式和 Kernel 直调能力，不新增 ACLNN API、ACLNN 实现、ACLNN 文档或 ACLNN 测试通路。

Origin（信息来源）

来源于 LongTailInfo 8August requirement 中的 SigmoidFocalLossGrad 长尾算子迁移需求，以及 ops-nn Ascend 950 转测准入任务。

Benefit / Necessity （价值/作用）

• 为目标检测等 Focal Loss 训练场景补齐 Ascend 950 反向算子能力。
• 在无 ACLNN 契约的前提下，通过 GEIR 和 Kernel 标准通路提供可构建、可安装、可验证的内置实现。
• 使用冻结 Golden 和 L0 精度标准形成可复现回归基线，避免接口语义与历史 ACLNN 测试假设混用。

Design（设计方案）

• 在 loss/sigmoid_focal_loss_grad 新增 OpDef、GEIR 图推导、Tiling 和 AscendC Kernel，支持 FLOAT16/FLOAT 输入组合、可选 weight 与 mean/sum/none reduction。
• 通过 ACLNNTYPE aclnn_exclude 禁止构建系统生成 ACLNN，历史 ACLNN 用例转换为 Kernel 直调或 GEIR 用例。
• Golden 按 LongTailInfo/Sinh/golden文件/sinh.py 的 TestSpec 结构改造，仅注册 Kernel/GEIR 共用的 raw op；计算顺序使用用户指定 sigmoid_focal_loss_grad_golden.py（SHA256 c10e2a95a87e50702f73091e3f6c57d9919496975c839e6fb978907c35faf35b），Torch 小算子组合注册为 third_party，FLOAT16/FLOAT 均采用 L0 cross_check。
• 共性问题通过 COMMON_ISSUE_SCAN.md 跟踪，功能精度通过与完整转测准入分别裁决。

Acceptance Criteria（验收标准）

• Ascend 950 OpDef、GEIR、Tiling、Kernel 和文档完成。
• 不新增 ACLNN 接口、实现、文档或 ACLNN 用例。
• Kernel L0 544/544 精度 PASS、544/544 memory OOB PASS；target=2 Kernel 数值语义 1/1 PASS。
• GEIR 静态 Shape 3/3、未知维动态 Shape 2/2 PASS。
• 启动本机 xpu-server CPU Torch provider，完成 Kernel L0 真实三方 cross_check 36/36 精度、provider 和内存检查 PASS。
• 完成 canndev/目标仓原型与 InferShape 重复职责整改。
• 修复 alpha/gamma NaN/Inf 有限值校验，确保 6 个反向用例被有效拦截。
• 补齐未知 Rank、9D Tensor、Cast E2E、性能和完整异常 controls 证据，达到完整转测准入。

Related PR（关联PR）

https://gitcode.com/cann/ops-nn/merge_requests/9433