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

Backgroud（背景信息）

BlockLstmGrad 是 BlockLSTM（分块长短期记忆网络）的反向梯度算子，对应 TensorFlow 原生算子 tf.raw_ops.BlockLSTMGrad（V1）与 tf.raw_ops.BlockLSTMGradV2（V2）。

LSTM 是序列建模（语音识别、机器翻译、时序预测、语言模型）的核心结构。其反向传播需沿时间步逆序递推回传梯度，计算输入、权重、偏置及各门控的梯度共 8 个梯度张量。BlockLSTM 将单个时间步内 4 个门（input/forget/cell/output）的计算融合为单个算子，反向同理——BlockLstmGrad 在一次调用内完成整段序列（T 个时间步）的反向递推，避免逐门逐步骤的算子碎片化开销。

当前 CANN ops-nn 仓 rnn 分类下已交付前向 block_lstm，但缺少反向算子：TF BlockLSTM 网络在 NPU 上训练时反向图无法落图（回退 CPU 或训练不可用）。本算子补齐该闭环。

对标结论：数学公式 1:1 移植自 TF v2.21 lstm_ops（carry 序、乘法序、gate 布局保留）；PyTorch 无对等独立算子（其 LSTM 反向封装于 cuDNN/autograd 内），故竞品对标以 TensorFlow 为准。

Origin（信息来源）

NA

Benefit / Necessity （价值/作用）

Design（设计方案）

1. 接口定义（18 输入 / 8 输出 / 2 属性）

单算子 + gate_order 属性统一覆盖 TF 两个 op（V1=icfo / V2=ifco）。

2. 数学核心（沿 t 逆序递推，carry 跨步依赖）

cs_grad_t = cs_prev_carry + cs_grad[t];  h_grad_t = h_prev_carry + h_grad[t]
do_ = o*(1-o)·h_grad_t·co          # 门导数由前向缓存激活代数构造，无超越函数
dcs = (1-co·co)·h_grad_t·o + cs_grad_t (+ do_·wco if peephole)
dci/df/di = tanh'·dcs·i / sigmoid'·dcs·cs_prev / sigmoid'·dcs·ci
dgates = pack([di,dci,df,do_], gate_order)
cs_prev_carry = dcs·f (+ di·wci + df·wcf if peephole)
xh_grad = dgates @ w.T;  x_grad[t]=xh_grad[:,:I];  h_prev_carry=xh_grad[:,I:]
w_grad += xh_t.T @ dgates;  b_grad += Σbatch dgates   # 跨 t、batch 归约

3. 工程实现要点

• 芯片：Ascend 950PR/950DT（arch35，cube+vector 混合架构）
• Tiling 三相切分：Phase A 反向递推 / Phase B dX（dgates@W_x^T）/ Phase C dW（xh^T@dgates），多模式（resident/stream/slab/recVec）适配 on-chip 预算（L1 512KB / L0C 256KB / UB 248KB×AIV），batch 切分 + split-K + 零维 zeroMode 快路径
• Kernel：restage 零填充 → 递推 → dX → dW → scatter/跨 cluster 归约
• TF Plugin：liboptf_plugin_nn.so 注册 BlockLSTMGrad/V2 解析器 → npu_device 路由 NPU
• 零维 parity：T/B/I/H 任一为 0 合法（与 TF 行为一致）

4. 验证结论（已完成）

性能对比数据已采集（NPU GEIR 端到端 vs A100 TF 设备时延，小 shape 中位比值 5.8x、大 shape 偏慢，详见测试报告）。

5. 关联

• 实现 PR：#10694（rnn/block_lstm_grad/，含全部检视意见修复）
• 工程路径：ops-nn/rnn/block_lstm_grad/