doc tools低错内容4.17-ops-nn-AtomGit

MCHANGELOG.md+1-1

	@@ -15,7 +15,7 @@ ops-nn 算子首个 Beta 版本 v8.5.0-beta.1 现已发布。
15		15
16	[CANN 8.5.0-beta 1](https://ascend.devcloud.huaweicloud.com/cann/run/software/8.5.0-beta.1/)	16	[CANN 8.5.0-beta 1](https://ascend.devcloud.huaweicloud.com/cann/run/software/8.5.0-beta.1/)
17		17
18	-```	18	+```text
19	版本目录说明如下：	19	版本目录说明如下：
20	├── aarch64 # CPU为ARM类型	20	├── aarch64 # CPU为ARM类型
21	│ ├── ops # ops算子包目录，用于归档算子子包	21	│ ├── ops # ops算子包目录，用于归档算子子包

MCONTRIBUTING.md+2-2

	@@ -37,7 +37,7 @@ Sig组将指派Committer对您提交的Issue进行评审并反馈修改意见。
37		37
38	生态最简算子交付件如下：	38	生态最简算子交付件如下：
39		39
40	-```	40	+```text
41	${op_class} # 算子分类	41	${op_class} # 算子分类
42	├── ${op_name} # 算子名	42	├── ${op_name} # 算子名
43	│ ├── ${op_name}.cpp # 算子Kernel实现文件	43	│ ├── ${op_name}.cpp # 算子Kernel实现文件
	@@ -107,7 +107,7 @@ Committer检视通过后，标注 `/lgtm`标签。Maintainer将在1天内进行
107		107
108	项目标准算子交付件如下：	108	项目标准算子交付件如下：
109		109
110	-```	110	+```text
111	${op_class} # 算子分类	111	${op_class} # 算子分类
112	├── ${op_name} # 算子名	112	├── ${op_name} # 算子名
113	│ ├── op_host # 算子定义、Tiling相关实现	113	│ ├── op_host # 算子定义、Tiling相关实现

MQUICKSTART.md+2-2

	@@ -201,7 +201,7 @@ bash build.sh --run_example add_example eager cust --vendor_name=custom
201		201
202	预期输出：打印算子`AddExample`的加法计算结果，表明算子已成功部署并正确执行。	202	预期输出：打印算子`AddExample`的加法计算结果，表明算子已成功部署并正确执行。
203		203
204	-```	204	+```bash
205	add_example first input[0] is: 1.000000, second input[0] is: 1.000000, result[0] is: 2.000000	205	add_example first input[0] is: 1.000000, second input[0] is: 1.000000, result[0] is: 2.000000
206	add_example first input[1] is: 1.000000, second input[1] is: 1.000000, result[1] is: 2.000000	206	add_example first input[1] is: 1.000000, second input[1] is: 1.000000, result[1] is: 2.000000
207	add_example first input[2] is: 1.000000, second input[2] is: 1.000000, result[2] is: 2.000000	207	add_example first input[2] is: 1.000000, second input[2] is: 1.000000, result[2] is: 2.000000
	@@ -261,7 +261,7 @@ __aicore__ inline void AddExample<T>::Compute(int32_t progress)
261		261
262	4. 成功标志：输出结果变成乘法结果。	262	4. 成功标志：输出结果变成乘法结果。
263		263
264	- ```	264	+ ```bash
265	add_example first input[0] is: 1.000000, second input[0] is: 1.000000, result[0] is: 1.000000	265	add_example first input[0] is: 1.000000, second input[0] is: 1.000000, result[0] is: 1.000000
266	add_example first input[1] is: 1.000000, second input[1] is: 1.000000, result[1] is: 1.000000	266	add_example first input[1] is: 1.000000, second input[1] is: 1.000000, result[1] is: 1.000000
267	add_example first input[2] is: 1.000000, second input[2] is: 1.000000, result[2] is: 1.000000	267	add_example first input[2] is: 1.000000, second input[2] is: 1.000000, result[2] is: 1.000000

MREADME.md+1-1

	@@ -45,7 +45,7 @@ ops-nn是[CANN](https://hiascend.com/software/cann) （Compute Architecture for
45		45
46	关键目录如下，详细目录介绍参见[项目目录](./docs/zh/context/dir_structure.md)。	46	关键目录如下，详细目录介绍参见[项目目录](./docs/zh/context/dir_structure.md)。
47		47
48	-```	48	+```text
49	├── activation # activation类算子	49	├── activation # activation类算子
50	├── cmake # 项目工程编译目录	50	├── cmake # 项目工程编译目录
51	├── common # 项目公共头文件和公共源码	51	├── common # 项目公共头文件和公共源码

Mactivation/clipped_swiglu/README.md+0-2

	@@ -58,7 +58,6 @@
58	$$	58	$$
59	B = x[ : , h : ]	59	B = x[ : , h : ]
60	$$	60	$$
61	-
62	4. 根据输入参数 alpha、limit、bias 进行变体SwiGlu计算，公式如下：	61	4. 根据输入参数 alpha、limit、bias 进行变体SwiGlu计算，公式如下：
63		62
64	$$	63	$$
	@@ -76,7 +75,6 @@
76	$$	75	$$
77	y = y\_glu * (B + bias)	76	y = y\_glu * (B + bias)
78	$$	77	$$
79	-
80	5. 重塑输出张量y的维度数量与合轴前的x的维度数量一致，dim轴上的大小为x的一半，其他维度与x相同。	78	5. 重塑输出张量y的维度数量与合轴前的x的维度数量一致，dim轴上的大小为x的一半，其他维度与x相同。
81		79
82	## 参数说明	80	## 参数说明

Mactivation/clipped_swiglu/docs/aclnnClippedSwiglu.md+0-2

	@@ -60,7 +60,6 @@
60	$$	60	$$
61	B = x[ : , h : ]	61	B = x[ : , h : ]
62	$$	62	$$
63	-
64	4. 根据输入参数 alpha、limit、bias 进行变体SwiGlu计算，公式如下：	63	4. 根据输入参数 alpha、limit、bias 进行变体SwiGlu计算，公式如下：
65		64
66	$$	65	$$
	@@ -78,7 +77,6 @@
78	$$	77	$$
79	y = y\_glu * (B + bias)	78	y = y\_glu * (B + bias)
80	$$	79	$$
81	-
82	5. 重塑输出张量y的维度数量与合轴前的x的维度数量一致，dim轴上的大小为x的一半，其他维度与x相同。	80	5. 重塑输出张量y的维度数量与合轴前的x的维度数量一致，dim轴上的大小为x的一半，其他维度与x相同。
83		81
84	## 函数原型	82	## 函数原型

Mactivation/fatrelu_mul/README.md+0-2

	@@ -28,7 +28,6 @@
28	$$	28	$$
29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]	29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]
30	$$	30	$$
31	-
32	2. 对x1应用Threshold激活函数，定义如下：	31	2. 对x1应用Threshold激活函数，定义如下：
33		32
34	$$	33	$$
	@@ -44,7 +43,6 @@
44	$$	43	$$
45	x_1 = \text{Threshold}(x_1, \text{threshold})	44	x_1 = \text{Threshold}(x_1, \text{threshold})
46	$$	45	$$
47	-
48	3. 最终输出是x1和x2的逐元素乘积：	46	3. 最终输出是x1和x2的逐元素乘积：
49		47
50	$$	48	$$

Mactivation/fatrelu_mul/docs/aclnnFatreluMul.md+0-2

	@@ -28,7 +28,6 @@
28	$$	28	$$
29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]	29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]
30	$$	30	$$
31	-
32	2. 对x1应用Threshold激活函数，定义如下：	31	2. 对x1应用Threshold激活函数，定义如下：
33		32
34	$$	33	$$
	@@ -44,7 +43,6 @@
44	$$	43	$$
45	x_1 = \text{Threshold}(x_1, \text{threshold})	44	x_1 = \text{Threshold}(x_1, \text{threshold})
46	$$	45	$$
47	-
48	3. 最终输出是x1和x2的逐元素乘积：	46	3. 最终输出是x1和x2的逐元素乘积：
49		47
50	$$	48	$$

Mactivation/gelu_mul/README.md+0-2

	@@ -28,7 +28,6 @@
28	$$	28	$$
29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]	29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]
30	$$	30	$$
31	-
32	2. 对x1应用GELU激活函数，"tanh"模式公式如下：	31	2. 对x1应用GELU激活函数，"tanh"模式公式如下：
33		32
34	$$	33	$$
	@@ -46,7 +45,6 @@
46	$$	45	$$
47	x_1 = \text{GELU}(x_1)	46	x_1 = \text{GELU}(x_1)
48	$$	47	$$
49	-
50	3. 最终输出是x1和x2的逐元素乘积：	48	3. 最终输出是x1和x2的逐元素乘积：
51		49
52	$$	50	$$

Mactivation/gelu_mul/docs/aclnnGeluMul.md+0-2

	@@ -28,7 +28,6 @@
28	$$	28	$$
29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]	29	x_1 = \text{input}[..., :d], \quad x_2 = \text{input}[..., d:]
30	$$	30	$$
31	-
32	2. 对x1应用GELU激活函数，"tanh"模式公式如下：	31	2. 对x1应用GELU激活函数，"tanh"模式公式如下：
33		32
34	$$	33	$$
	@@ -46,7 +45,6 @@
46	$$	45	$$
47	x_1 = \text{GELU}(x_1)	46	x_1 = \text{GELU}(x_1)
48	$$	47	$$
49	-
50	3. 最终输出是x1和x2的逐元素乘积：	48	3. 最终输出是x1和x2的逐元素乘积：
51		49
52	$$	50	$$

Mactivation/log_sigmoid/docs/aclnnBinaryCrossEntropyWithLogitsTargetBackward.md+2-2

	@@ -16,7 +16,7 @@
16	## 功能说明	16	## 功能说明
17		17
18	- 接口功能：	18	- 接口功能：
19	-将输入self执行logits计算，将得到的值与标签值target一起进行[BECLoss](../../sigmoid_cross_entropy_with_logits_v2/docs/aclnnBinaryCrossEntropyWithLogits.md)关于target的反向传播计算。	19	+将输入self执行logits计算，将得到的值与标签值target一起进行[BECLoss](../../../loss/sigmoid_cross_entropy_with_logits_v2/docs/aclnnBinaryCrossEntropyWithLogits.md)关于target的反向传播计算。
20		20
21	## 函数原型	21	## 函数原型
22		22
	@@ -42,7 +42,7 @@
42		42
43	aclnnStatus: 返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	43	aclnnStatus: 返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
44		44
45	- ```	45	+ ```text
46	第一段接口完成入参校验，出现以下场景时报错：	46	第一段接口完成入参校验，出现以下场景时报错：
47	161001（ACLNN_ERR_PARAM_NULLPTR）：1. 传入的gradOutput、self、target、gradTarget为空指针。	47	161001（ACLNN_ERR_PARAM_NULLPTR）：1. 传入的gradOutput、self、target、gradTarget为空指针。
48	161002（ACLNN_ERR_PARAM_INVALID）：1. gradOutput、self、target、gradTarget的数据类型和数据格式不在支持的范围内。	48	161002（ACLNN_ERR_PARAM_INVALID）：1. gradOutput、self、target、gradTarget的数据类型和数据格式不在支持的范围内。

Mconv/conv3d_v2/README.md+1-1

	@@ -182,7 +182,7 @@
182	- Atlas A2 训练系列产品/Atlas A2 推理系列产品、Atlas A3 训练系列产品/Atlas A3 推理系列产品：	182	- Atlas A2 训练系列产品/Atlas A2 推理系列产品、Atlas A3 训练系列产品/Atlas A3 推理系列产品：
183	- `filter` 的 `H`、`W` 维度范围：[1,511]。	183	- `filter` 的 `H`、`W` 维度范围：[1,511]。
184	- 不支持空 `tensor`。	184	- 不支持空 `tensor`。
185	- - 当 `groups` 为 1, `dilation` 全为 1，`padding` 全为 0，`filter` 没有为 1 的维度， `x` 的 `D` * `H` * `W` 小于 65536，`bias` 为 `FLOAT` 时，会进入 `Pointwise` 分支，可以使用 `NCDHW` 格式。	185	+ - 当 `groups` 为 1, `dilation` 全为 1，`padding` 全为 0，`filter` 没有为 1 的维度， `x` 的 `D` `H` `W` 小于 65536，`bias` 为 `FLOAT` 时，会进入 `Pointwise` 分支，可以使用 `NCDHW` 格式。
186		186
187	<table>	187	<table>
188	<tr>	188	<tr>

Mconv/convolution_backward/docs/aclnnConvolutionBackward.md+2-1

	@@ -31,7 +31,8 @@
31	W_{out}=\lfloor \frac{W_{in}+2padding[2]-dilation[2] (kernelSize[2] -1) -1}{stride[2]}+1 \rfloor	31	W_{out}=\lfloor \frac{W_{in}+2padding[2]-dilation[2] (kernelSize[2] -1) -1}{stride[2]}+1 \rfloor
32	$$	32	$$
33		33
34	- 卷积反向传播需要计算对卷积正向的输入张量 $x$（对应函数原型中的input）、卷积核权重张量 $w$ （对应函数原型中的weight）和偏置 $b$ 的梯度。	34	+ 卷积反向传播需要计算对卷积正向的输入张量 $x$（对应函数原型中的input）、卷积核权重张量 $w$（对应函数原型中的weight）和偏置 $b$ 的梯度。
		35	+
35	- 对于 $x$ 的梯度 $\frac{\partial L}{\partial x}$（对应函数原型中的gradInput参数）：	36	- 对于 $x$ 的梯度 $\frac{\partial L}{\partial x}$（对应函数原型中的gradInput参数）：
36		37
37	$$	38	$$

Mdocs/CONTRIBUTING_DOCS.md+1-1

	@@ -40,7 +40,7 @@
40		40
41	- 撰写清晰的提交信息：	41	- 撰写清晰的提交信息：
42		42
43	- ```	43	+ ```text
44	简短说明（不超过50字符）	44	简短说明（不超过50字符）
45		45
46	如有必要，在此处进行更详细描述。说明修改的原因和内容，而不是具体改了什么（代码本身会展示）。	46	如有必要，在此处进行更详细描述。说明修改的原因和内容，而不是具体改了什么（代码本身会展示）。

Mdocs/README.md+1-1

	@@ -4,7 +4,7 @@
4		4
5	关键目录结构如下：	5	关键目录结构如下：
6		6
7	-```	7	+```text
8	├── context # 公共目录，存放包括基本概念、项目目录介绍、build参数说明等文档	8	├── context # 公共目录，存放包括基本概念、项目目录介绍、build参数说明等文档
9	│ ├── dir_structure.md	9	│ ├── dir_structure.md
10	│ ├── build.md	10	│ ├── build.md

Mdocs/zh/context/broadcast关系.md+1-1

	@@ -25,7 +25,7 @@ broadcast（广播）描述了算子在运算期间如何处理不同形状的
25		25
26	基于上述规则，广播过程一般先按规则1进行扩维，再按规则2进行形状拉伸，具体例子如下：	26	基于上述规则，广播过程一般先按规则1进行扩维，再按规则2进行形状拉伸，具体例子如下：
27		27
28	-```	28	+```text
29	假设a.shape=(2,2,3)，取值形如:	29	假设a.shape=(2,2,3)，取值形如:
30	[[[1 2 3],[4 5 6]],	30	[[[1 2 3],[4 5 6]],
31	[[1 2 3],[4 5 6]]]	31	[[1 2 3],[4 5 6]]]

Mdocs/zh/context/dir_structure.md+1-1

	@@ -9,7 +9,7 @@
9		9
10	项目全量目录层级介绍如下：	10	项目全量目录层级介绍如下：
11		11
12	-```	12	+```text
13	├── cmake # 项目工程编译目录	13	├── cmake # 项目工程编译目录
14	│ ├── aclnn_ops_nn.h.in # aclnn汇总头文件模板	14	│ ├── aclnn_ops_nn.h.in # aclnn汇总头文件模板
15	│ └── ...	15	│ └── ...

Mdocs/zh/context/数据结构.md+9-9

	@@ -8,7 +8,7 @@
8		8
9	框架定义的一种用来管理和存储张量数据的结构（如向量、矩阵等多维度数据），可通过aclCreateTensor接口创建该对象。	9	框架定义的一种用来管理和存储张量数据的结构（如向量、矩阵等多维度数据），可通过aclCreateTensor接口创建该对象。
10		10
11	- ```	11	+ ```bash
12	typedef struct aclTensor aclTensor	12	typedef struct aclTensor aclTensor
13	```	13	```
14		14
	@@ -16,7 +16,7 @@
16		16
17	框架定义的一种用来管理和存储标量数据的结构（即单一的数值），可通过aclCreateScalar接口创建该对象。	17	框架定义的一种用来管理和存储标量数据的结构（即单一的数值），可通过aclCreateScalar接口创建该对象。
18		18
19	- ```	19	+ ```bash
20	typedef struct aclScalar aclScalar	20	typedef struct aclScalar aclScalar
21	```	21	```
22		22
	@@ -24,7 +24,7 @@
24		24
25	框架定义的一种用来管理和存储整型数据的数组结构，可通过aclCreateIntArray接口创建该对象。	25	框架定义的一种用来管理和存储整型数据的数组结构，可通过aclCreateIntArray接口创建该对象。
26		26
27	- ```	27	+ ```bash
28	typedef struct aclIntArray aclIntArray	28	typedef struct aclIntArray aclIntArray
29	```	29	```
30		30
	@@ -32,7 +32,7 @@
32		32
33	框架定义的一种用来管理和存储float32型数据的数组结构，可通过aclCreateFloatArray接口创建该对象。	33	框架定义的一种用来管理和存储float32型数据的数组结构，可通过aclCreateFloatArray接口创建该对象。
34		34
35	- ```	35	+ ```bash
36	typedef struct aclFloatArray aclFloatArray	36	typedef struct aclFloatArray aclFloatArray
37	```	37	```
38		38
	@@ -40,7 +40,7 @@
40		40
41	框架定义的一种用来管理和存储布尔型数据的数组结构，可通过aclCreateBoolArray接口创建该对象。	41	框架定义的一种用来管理和存储布尔型数据的数组结构，可通过aclCreateBoolArray接口创建该对象。
42		42
43	- ```	43	+ ```bash
44	typedef struct aclBoolArray aclBoolArray	44	typedef struct aclBoolArray aclBoolArray
45	```	45	```
46		46
	@@ -48,7 +48,7 @@
48		48
49	框架定义的一种用来管理和存储多个张量数据的数组结构，可通过aclCreateTensorList接口创建该对象。	49	框架定义的一种用来管理和存储多个张量数据的数组结构，可通过aclCreateTensorList接口创建该对象。
50		50
51	- ```	51	+ ```bash
52	typedef struct aclTensorList aclTensorList	52	typedef struct aclTensorList aclTensorList
53	```	53	```
54		54
	@@ -56,7 +56,7 @@
56		56
57	框架定义的一种用来管理和存储标量数据的数组结构，可通过aclCreateScalarList接口创建该对象。	57	框架定义的一种用来管理和存储标量数据的数组结构，可通过aclCreateScalarList接口创建该对象。
58		58
59	- ```	59	+ ```bash
60	typedef struct aclScalarList aclScalarList	60	typedef struct aclScalarList aclScalarList
61	```	61	```
62		62
	@@ -66,7 +66,7 @@
66		66
67	通常调用算子一阶段接口aclxxXxxGetWorkspaceSize时，框架会自动创建aclOpExecutor；调用二阶段接口aclxxXxx后会自动释放该对象。	67	通常调用算子一阶段接口aclxxXxxGetWorkspaceSize时，框架会自动创建aclOpExecutor；调用二阶段接口aclxxXxx后会自动释放该对象。
68		68
69	- ```	69	+ ```bash
70	typedef struct aclOpExecutor aclOpExecutor	70	typedef struct aclOpExecutor aclOpExecutor
71	```	71	```
72		72
	@@ -74,7 +74,7 @@
74		74
75	框架定义的一种流处理数据结构，用来管理和维护一些异步操作的执行顺序。	75	框架定义的一种流处理数据结构，用来管理和维护一些异步操作的执行顺序。
76		76
77	- ```	77	+ ```bash
78	typedef void *aclrtStream	78	typedef void *aclrtStream
79	```	79	```
80		80

Mdocs/zh/context/编译与运行样例.md+9-9

	@@ -17,7 +17,7 @@
17		17
18	CMake文件示例如下，请根据实际情况修改：	18	CMake文件示例如下，请根据实际情况修改：
19		19
20	- ```	20	+ ```bash
21	# Copyright (c) Huawei Technologies Co., Ltd. 2025. All rights reserved.	21	# Copyright (c) Huawei Technologies Co., Ltd. 2025. All rights reserved.
22		22
23	# CMake lowest version requirement	23	# CMake lowest version requirement
	@@ -63,7 +63,7 @@
63		63
64	对于集合通信和MatMul计算融合、并行的算子，统称为通算融合算子（简称MC2算子），包括AllGatherMatmul、AlltoAllAllGatherBatchMatMul、BatchMatMulReduceScatterAlltoAll、MatmulAllReduce、MatmulAllReduceAddRmsNorm、MatmulReduceScatter等。调用该类算子API时，一般会涉及多线程和HCCL（Huawei Collective Communication Library，集合通信库），因此CMake文件需要额外导入如下内容，否则无法成功编译。	64	对于集合通信和MatMul计算融合、并行的算子，统称为通算融合算子（简称MC2算子），包括AllGatherMatmul、AlltoAllAllGatherBatchMatMul、BatchMatMulReduceScatterAlltoAll、MatmulAllReduce、MatmulAllReduceAddRmsNorm、MatmulReduceScatter等。调用该类算子API时，一般会涉及多线程和HCCL（Huawei Collective Communication Library，集合通信库），因此CMake文件需要额外导入如下内容，否则无法成功编译。
65		65
66	- ```	66	+ ```bash
67	# 设置链接的库文件路径	67	# 设置链接的库文件路径
68	find_package(Threads REQUIRED)	68	find_package(Threads REQUIRED)
69	target_link_libraries(opapi_test PRIVATE	69	target_link_libraries(opapi_test PRIVATE
	@@ -84,7 +84,7 @@
84		84
85	安装CANN软件后，使用CANN运行用户登录环境，执行如下命令生效环境变量。	85	安装CANN软件后，使用CANN运行用户登录环境，执行如下命令生效环境变量。
86		86
87	- ```	87	+ ```bash
88	source ${INSTALL_DIR}/set_env.sh	88	source ${INSTALL_DIR}/set_env.sh
89	```	89	```
90		90
	@@ -92,13 +92,13 @@
92	3. 编译并运行。	92	3. 编译并运行。
93	- 进入CMakeLists.txt所在目录，执行如下命令，新建build目录存放生成的编译文件。	93	- 进入CMakeLists.txt所在目录，执行如下命令，新建build目录存放生成的编译文件。
94		94
95	- ```	95	+ ```bash
96	mkdir -p build	96	mkdir -p build
97	```	97	```
98		98
99	- 进入build目录，执行cmake命令编译，再执行make命令生成可执行文件。	99	- 进入build目录，执行cmake命令编译，再执行make命令生成可执行文件。
100		100
101	- ```	101	+ ```bash
102	cd build	102	cd build
103	cmake ../ -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE	103	cmake ../ -DCMAKE_CXX_COMPILER=g++ -DCMAKE_SKIP_RPATH=TRUE
104	make	104	make
	@@ -108,14 +108,14 @@
108		108
109	- 进入bin目录，运行可执行文件opapi_test。	109	- 进入bin目录，运行可执行文件opapi_test。
110		110
111	- ```	111	+ ```bash
112	cd bin	112	cd bin
113	./opapi_test	113	./opapi_test
114	```	114	```
115		115
116	以AddMatMul算子的运行结果为例，运行后的结果示例如下：	116	以AddMatMul算子的运行结果为例，运行后的结果示例如下：
117		117
118	- ```	118	+ ```bash
119	result[0] is: 1.200000	119	result[0] is: 1.200000
120	result[1] is: 2.200000	120	result[1] is: 2.200000
121	result[2] is: 3.200000	121	result[2] is: 3.200000
	@@ -129,7 +129,7 @@
129	若执行结果报错，未出现预期结果，可以使用aclGetRecentErrMsg接口获取报错具体信息。	129	若执行结果报错，未出现预期结果，可以使用aclGetRecentErrMsg接口获取报错具体信息。
130	调用aclnnAddmmGetWorkspaceSize报错获取异常信息示例如下：	130	调用aclnnAddmmGetWorkspaceSize报错获取异常信息示例如下：
131		131
132	- ```	132	+ ```bash
133	// self is nullptr	133	// self is nullptr
134	ret = aclnnAddmmGetWorkspaceSize(self, mat1, mat2, beta, alpha, out, cubeMathType, &workspaceSize, &executor);	134	ret = aclnnAddmmGetWorkspaceSize(self, mat1, mat2, beta, alpha, out, cubeMathType, &workspaceSize, &executor);
135	CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnAddmmGetWorkspaceSize failed. ERROR: %d\n[ERROR msg]%s", ret, aclGetRecentErrMsg()); return ret);	135	CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnAddmmGetWorkspaceSize failed. ERROR: %d\n[ERROR msg]%s", ret, aclGetRecentErrMsg()); return ret);
	@@ -137,7 +137,7 @@
137		137
138	上述构造空指针问题获取报错信息示例如下:	138	上述构造空指针问题获取报错信息示例如下:
139		139
140	- ```	140	+ ```bash
141	aclnnAddmmGetWorkspaceSize failed. ERROR: 161001	141	aclnnAddmmGetWorkspaceSize failed. ERROR: 161001
142	[ERROR msg][PID:xxxx] xxx(timesamp) AclNN_Parameter_Error(EZ1001): Expected a proper Tensor but got null for argument addmmTennsor.self.	142	[ERROR msg][PID:xxxx] xxx(timesamp) AclNN_Parameter_Error(EZ1001): Expected a proper Tensor but got null for argument addmmTennsor.self.
143	```	143	```

Mdocs/zh/debug/cann_simulator.md+19-19

	@@ -35,7 +35,7 @@ CANN Simulator集成在CANN toolkit包里，参考[环境部署](../context/quic
35		35
36	* 参考[算子调用](../invocation/quick_op_invocation.md)完成add_example的算子编译和安装。	36	* 参考[算子调用](../invocation/quick_op_invocation.md)完成add_example的算子编译和安装。
37		37
38	-```	38	+```bash
39	# 说明：进入项目根目录，执行如下编译命令，命令仅供参考，详细可以查看算子调用的说明。	39	# 说明：进入项目根目录，执行如下编译命令，命令仅供参考，详细可以查看算子调用的说明。
40	bash build.sh --pkg --soc=Ascend950 --vendor_name=custom --ops=add_example	40	bash build.sh --pkg --soc=Ascend950 --vendor_name=custom --ops=add_example
41	# 安装自定义算子包	41	# 安装自定义算子包
	@@ -46,19 +46,19 @@ bash build.sh --pkg --soc=Ascend950 --vendor_name=custom --ops=add_example
46		46
47	## 执行仿真命令	47	## 执行仿真命令
48		48
49	-```	49	+```bash
50	cannsim record ./test_aclnn_add_example -s Ascend950 --gen-report	50	cannsim record ./test_aclnn_add_example -s Ascend950 --gen-report
51	```	51	```
52		52
53	仿真工具执行日志文件在examples/add_example/examples/build/bin/cannsim_*目录，执行日志文件为	53	仿真工具执行日志文件在examples/add_example/examples/build/bin/cannsim_*目录，执行日志文件为
54		54
55	-```	55	+```bash
56	cannsim.log	56	cannsim.log
57	```	57	```
58		58
59	从仿真工具日志文件可以看到示例中的打印信息：	59	从仿真工具日志文件可以看到示例中的打印信息：
60		60
61	-```	61	+```bash
62	add_example result[2011] is: 2.000000	62	add_example result[2011] is: 2.000000
63	add_example result[2012] is: 2.000000	63	add_example result[2012] is: 2.000000
64	add_example result[2013] is: 2.000000	64	add_example result[2013] is: 2.000000
	@@ -76,7 +76,7 @@ add_example result[2021] is: 2.000000
76		76
77	仿真性能流水文件在本项目`examples/add_example/examples/build/bin/cannsim_*/report目录，流水相关文件为：	77	仿真性能流水文件在本项目`examples/add_example/examples/build/bin/cannsim_*/report目录，流水相关文件为：
78		78
79	-```	79	+```bash
80	trace_core0.json	80	trace_core0.json
81	```	81	```
82		82
	@@ -84,19 +84,19 @@ trace_core0.json
84		84
85	## 执行仿真命令	85	## 执行仿真命令
86		86
87	-```	87	+```bash
88	cannsim record ./ascendc_kernels_bbit -s Ascend950 --gen-report	88	cannsim record ./ascendc_kernels_bbit -s Ascend950 --gen-report
89	```	89	```
90		90
91	仿真工具执行日志文件在add_example/build/cannsim_*目录，执行日志文件为	91	仿真工具执行日志文件在add_example/build/cannsim_*目录，执行日志文件为
92		92
93	-```	93	+```bash
94	cannsim.log	94	cannsim.log
95	```	95	```
96		96
97	从仿真工具日志文件可以看到示例中的前10结果打印信息：	97	从仿真工具日志文件可以看到示例中的前10结果打印信息：
98		98
99	-```	99	+```bash
100	First 10 output values:	100	First 10 output values:
101	z[0] = 0.000000	101	z[0] = 0.000000
102	z[1] = 3.000000	102	z[1] = 3.000000
	@@ -114,7 +114,7 @@ z[9] = 27.000000
114		114
115	仿真性能流水文件在本项目`examples/add_example/build/cannsim_*/report目录，流水相关文件为：	115	仿真性能流水文件在本项目`examples/add_example/build/cannsim_*/report目录，流水相关文件为：
116		116
117	-```	117	+```bash
118	trace_core0.json	118	trace_core0.json
119	```	119	```
120		120
	@@ -147,7 +147,7 @@ cannsim record [options] user_app --user_options
147	1. 完成算子开发和编译。	147	1. 完成算子开发和编译。
148	2. 执行仿真命令，可参考以下使用示例	148	2. 执行仿真命令，可参考以下使用示例
149		149
150	- ```	150	+ ```text
151	方式一：启用仿真，并将输出保存至 ./output 目录，/path/to/app 为算子程序	151	方式一：启用仿真，并将输出保存至 ./output 目录，/path/to/app 为算子程序
152	$ cannsim record /path/to/app -o ./output -s Ascend950	152	$ cannsim record /path/to/app -o ./output -s Ascend950
153		153
	@@ -157,7 +157,7 @@ cannsim record [options] user_app --user_options
157		157
158	3. 命令完成后，会在默认路径或指定的“output”目录下生成以“cannsim_{timestamp}_${user_app}”命名的文件夹，结构示例如下：	158	3. 命令完成后，会在默认路径或指定的“output”目录下生成以“cannsim_{timestamp}_${user_app}”命名的文件夹，结构示例如下：
159		159
160	- ```	160	+ ```text
161	├─cannsim_{timestamp}_${user_app}	161	├─cannsim_{timestamp}_${user_app}
162	├── cannsim.log	162	├── cannsim.log
163	├── log	163	├── log
	@@ -188,7 +188,7 @@ cannsim record [options] user_app --user_options
188		188
189	以下输出仅为AscendC单算子直调精度比较结果举例，因版本不同略有差异，请以实际输出为准。	189	以下输出仅为AscendC单算子直调精度比较结果举例，因版本不同略有差异，请以实际输出为准。
190		190
191	- ```	191	+ ```bash
192	INFO:root:[INFO] compare data case[ case001]	192	INFO:root:[INFO] compare data case[ case001]
193	INFO:root:---------------RESULT---------------	193	INFO:root:---------------RESULT---------------
194	INFO:root:['case_name', 'wrong_num', 'total_num', 'result', 'task_duration']	194	INFO:root:['case_name', 'wrong_num', 'total_num', 'result', 'task_duration']
	@@ -222,7 +222,7 @@ cannsim report [options]
222	1. 参考仿真执行执行算子仿真，对比输出示例，确保对应的结果执行正确。	222	1. 参考仿真执行执行算子仿真，对比输出示例，确保对应的结果执行正确。
223	2. 执行仿真结果解析命令，可参考以下执行用例。	223	2. 执行仿真结果解析命令，可参考以下执行用例。
224		224
225	- ```	225	+ ```bash
226	在当前目录下生成性能分析报告（默认仅分析核0）	226	在当前目录下生成性能分析报告（默认仅分析核0）
227	cannsim report -e /path/to/cannsim_{timestamp}_${user_app}	227	cannsim report -e /path/to/cannsim_{timestamp}_${user_app}
228		228
	@@ -232,7 +232,7 @@ cannsim report [options]
232		232
233	3. 命令执行完后，会在output配置的目录下生成对应的流水文件，文件格式为json格式，输出结果示例如下：	233	3. 命令执行完后，会在output配置的目录下生成对应的流水文件，文件格式为json格式，输出结果示例如下：
234		234
235	- ```	235	+ ```bash
236	trace_core0.json	236	trace_core0.json
237	trace_core1.json	237	trace_core1.json
238	...	238	...
	@@ -266,19 +266,19 @@ cannsim report [options]
266		266
267	查询工具帮助信息：	267	查询工具帮助信息：
268		268
269	-```	269	+```bash
270	cannsim --help	270	cannsim --help
271	```	271	```
272		272
273	查询工具record 子命令的帮助信息：	273	查询工具record 子命令的帮助信息：
274		274
275	-```	275	+```bash
276	cannsim record --help	276	cannsim record --help
277	```	277	```
278		278
279	查询工具report子命令的帮助信息：	279	查询工具report子命令的帮助信息：
280		280
281	-```	281	+```bash
282	cannsim report --help	282	cannsim report --help
283	```	283	```
284		284
	@@ -291,13 +291,13 @@ cannsim report --help
291	1. 登录Host侧服务器。	291	1. 登录Host侧服务器。
292	2. 执行以下命令。	292	2. 执行以下命令。
293		293
294	- ```	294	+ ```bash
295	cannsim --help	295	cannsim --help
296	```	296	```
297		297
298	## 输出说明	298	## 输出说明
299		299
300	-```	300	+```bash
301	Usage: cannsim [OPTIONS] COMMAND [ARGS]...	301	Usage: cannsim [OPTIONS] COMMAND [ARGS]...
302		302
303	Command-line tool for performance simulation analysis on Ascend hardware.	303	Command-line tool for performance simulation analysis on Ascend hardware.

Mdocs/zh/debug/op_debug_prof.md+6-6

	@@ -10,13 +10,13 @@
10		10
11	程序执行结束后，默认可在"$HOME/ascendc/log"下查看，host日志文件存储路径如下：	11	程序执行结束后，默认可在"$HOME/ascendc/log"下查看，host日志文件存储路径如下：
12		12
13	- ```	13	+ ```bash
14	$HOME/ascend/log/debug/plog/plog-pid_*.log	14	$HOME/ascend/log/debug/plog/plog-pid_*.log
15	```	15	```
16		16
17	开启环境变量ASCEND_SLOG_PRINT_TO_STDOUT可以将log日志直接打屏显示(1:开启打屏，0：关闭打屏)，配置示例如下：	17	开启环境变量ASCEND_SLOG_PRINT_TO_STDOUT可以将log日志直接打屏显示(1:开启打屏，0：关闭打屏)，配置示例如下：
18		18
19	- ```	19	+ ```bash
20	export ASCEND_SLOG_PRINT_TO_STDOUT=1	20	export ASCEND_SLOG_PRINT_TO_STDOUT=1
21	```	21	```
22		22
	@@ -26,13 +26,13 @@
26		26
27	通过aclGetRecentErrMsg接口（参见[《acl API（C）》](https://hiascend.com/document/redirect/CannCommunityCppApi)）获取aclnn接口调用过程中的异常信息，使用方法如下：	27	通过aclGetRecentErrMsg接口（参见[《acl API（C）》](https://hiascend.com/document/redirect/CannCommunityCppApi)）获取aclnn接口调用过程中的异常信息，使用方法如下：
28		28
29	- ```	29	+ ```bash
30	printf(aclGetRecentErrMsg());	30	printf(aclGetRecentErrMsg());
31	```	31	```
32		32
33	打印错误信息样例如下：	33	打印错误信息样例如下：
34		34
35	- ```	35	+ ```bash
36	[PID:646612] 2026-01-24-11:53:44.671.727 AclNN_Parameter_Error(EZ1001): Expected a proper Tensor but got null for argument addmmTennsor.self.	36	[PID:646612] 2026-01-24-11:53:44.671.727 AclNN_Parameter_Error(EZ1001): Expected a proper Tensor but got null for argument addmmTennsor.self.
37	```	37	```
38		38
	@@ -177,13 +177,13 @@
177		177
178	2. 执行仿真命令，生成仿真数据	178	2. 执行仿真命令，生成仿真数据
179		179
180	- ```	180	+ ```text
181	cannsim record ./test_aclnn_add_example -s Ascend950 --gen-report	181	cannsim record ./test_aclnn_add_example -s Ascend950 --gen-report
182	```	182	```
183		183
184	仿真结果在本项目`examples/add_example/examples/build/bin/cannsim_*`目录，流水相关文件为：	184	仿真结果在本项目`examples/add_example/examples/build/bin/cannsim_*`目录，流水相关文件为：
185		185
186	- ```	186	+ ```text
187	trace_core0.json	187	trace_core0.json
188	```	188	```
189		189

Mdocs/zh/develop/aicore_develop_guide.md+3-3

	@@ -15,9 +15,9 @@
15		15
16	2. [算子定义](#算子定义)：确定算子功能与原型定义。	16	2. [算子定义](#算子定义)：确定算子功能与原型定义。
17		17
18	-3. [Tiling实现](#Tiling实现)：实现Host侧算子Tiling函数。	18	+3. [Tiling实现](#tiling实现)：实现Host侧算子Tiling函数。
19		19
20	-4. [Kernel实现](#Kernel实现)：实现Device侧算子核函数。	20	+4. [Kernel实现](#kernel实现)：实现Device侧算子核函数。
21		21
22	5. [aclnn适配](#aclnn适配)：自定义算子推荐aclnn接口调用，需提前完成二进制发布。如采用图模式调用算子，请参考[图模式适配指南](./graph_develop_guide.md)。	22	5. [aclnn适配](#aclnn适配)：自定义算子推荐aclnn接口调用，需提前完成二进制发布。如采用图模式调用算子，请参考[图模式适配指南](./graph_develop_guide.md)。
23		23
	@@ -52,7 +52,7 @@ Create the initial directory for ${op_name} under ${op_class} success
52		52
53	创建完成后，目录结构如下所示：	53	创建完成后，目录结构如下所示：
54		54
55	-```	55	+```text
56	${op_name} # 替换为实际算子名的小写下划线形式	56	${op_name} # 替换为实际算子名的小写下划线形式
57	├── examples # 算子调用示例	57	├── examples # 算子调用示例
58	│ └── test_aclnn_${op_name}.cpp # 算子aclnn调用示例	58	│ └── test_aclnn_${op_name}.cpp # 算子aclnn调用示例

Mdocs/zh/develop/aicpu_develop_guide.md+1-1

	@@ -49,7 +49,7 @@ Create the AI CPU initial directory for ${op_name} under ${op_class} success
49		49
50	创建完成后，目录结构如下所示：	50	创建完成后，目录结构如下所示：
51		51
52	-```	52	+```text
53	${op_name} # 替换为实际算子名的小写下划线形式	53	${op_name} # 替换为实际算子名的小写下划线形式
54	├── examples # 算子调用示例	54	├── examples # 算子调用示例
55	│ └── test_aclnn_${op_name}.cpp # 算子aclnn调用示例	55	│ └── test_aclnn_${op_name}.cpp # 算子aclnn调用示例

Mdocs/zh/develop/graph_develop_guide.md+1-1

	@@ -4,7 +4,7 @@
4		4
5	自定义算子如需运行图模式，整体流程与算子开发指南（[AI Core算子开发指南](aicore_develop_guide.md)/[AI CPU算子开发指南](aicpu_develop_guide.md)）一致。值得注意的是，不需要aclnn适配，只需做如下交付件适配。	5	自定义算子如需运行图模式，整体流程与算子开发指南（[AI Core算子开发指南](aicore_develop_guide.md)/[AI CPU算子开发指南](aicpu_develop_guide.md)）一致。值得注意的是，不需要aclnn适配，只需做如下交付件适配。
6		6
7	-```	7	+```text
8	${op_name} # 替换为实际算子名的小写下划线形式	8	${op_name} # 替换为实际算子名的小写下划线形式
9	├── op_host # Host侧实现	9	├── op_host # Host侧实现
10	│ └── ${op_name}_infershape.cpp # InferShape实现，实现算子形状推导，在运行时推导输出shape	10	│ └── ${op_name}_infershape.cpp # InferShape实现，实现算子形状推导，在运行时推导输出shape

Mdocs/zh/invocation/op_invocation.md+2-2

	@@ -217,7 +217,7 @@ int main()
217		217
218	默认在当前执行路径 `/build/bin`下生成可执行文件test\_aclnn\_add\_example，运行结果如下：	218	默认在当前执行路径 `/build/bin`下生成可执行文件test\_aclnn\_add\_example，运行结果如下：
219		219
220	- ```	220	+ ```text
221	mean result[2046] is 2.000000	221	mean result[2046] is 2.000000
222	mean result[2047] is 2.000000	222	mean result[2047] is 2.000000
223	```	223	```
	@@ -378,6 +378,6 @@ int main() {
378		378
379	默认在当前执行路径 `/build/bin`下生成可执行文件test\_geir\_add\_example，运行结果如下：	379	默认在当前执行路径 `/build/bin`下生成可执行文件test\_geir\_add\_example，运行结果如下：
380		380
381	- ```	381	+ ```text
382	INFO - [XIR]: Finalize ir graph session success	382	INFO - [XIR]: Finalize ir graph session success
383	```	383	```

Mdocs/zh/invocation/quick_op_invocation.md+2-2

	@@ -158,7 +158,7 @@
158		158
159	\$\{static\_lib\_path\}表示静态库解压路径。解压后目录结构如下：	159	\$\{static\_lib\_path\}表示静态库解压路径。解压后目录结构如下：
160		160
161	- ```	161	+ ```text
162	├── cann-${soc_name}-ops-nn-static_${cann_version}_linux-${arch}	162	├── cann-${soc_name}-ops-nn-static_${cann_version}_linux-${arch}
163	│ ├── lib64	163	│ ├── lib64
164	│ │ ├── libcann_nn_static.a # 静态库文件	164	│ │ ├── libcann_nn_static.a # 静态库文件
	@@ -321,7 +321,7 @@
321		321
322	无论上述哪种方式，算子样例执行后会打印结果，以TransposeBatchMatMul算子执行为例：	322	无论上述哪种方式，算子样例执行后会打印结果，以TransposeBatchMatMul算子执行为例：
323		323
324	-```	324	+```text
325	result[0] is: 0.000000	325	result[0] is: 0.000000
326	result[1] is: 0.000000	326	result[1] is: 0.000000
327	result[2] is: 0.000000	327	result[2] is: 0.000000

Mdocs/zh/op_list.md+2-2

	@@ -2817,7 +2817,7 @@
2817	</tr>	2817	</tr>
2818	<tr>	2818	<tr>
2819	<td>pooling</td>	2819	<td>pooling</td>
2820	- <td><a href="../../pooling/max_pool3d/README.md">max_pool3d</a></td>	2820	+ <td><a href="../../pooling/max_pool3_d/README.md">max_pool3d</a></td>
2821	<td>✓</td>	2821	<td>✓</td>
2822	<td>✓</td>	2822	<td>✓</td>
2823	<td>✗</td>	2823	<td>✗</td>
	@@ -3107,7 +3107,7 @@
3107	</tr>	3107	</tr>
3108	<tr>	3108	<tr>
3109	<td>rnn</td>	3109	<td>rnn</td>
3110	- <td><a href="../../../../rnn/bidirection_lstm_v2/README.md">bidirection_lstm_v2</a></td>	3110	+ <td><a href="../../rnn/bidirection_lstmv2/README.md">bidirection_lstm_v2</a></td>
3111	<td>✓</td>	3111	<td>✓</td>
3112	<td>✓</td>	3112	<td>✓</td>
3113	<td>✓</td>	3113	<td>✓</td>

Mexamples/README.md+1-1

	@@ -9,7 +9,7 @@
9		9
10	## 目录说明	10	## 目录说明
11		11
12	-```	12	+```text
13	├── examples	13	├── examples
14	│ ├── add_example # AI Core算子名	14	│ ├── add_example # AI Core算子名
15	│ │ ├── CMakeLists.txt # 算子编译配置文件，保留原文件即可	15	│ │ ├── CMakeLists.txt # 算子编译配置文件，保留原文件即可

Mexamples/fast_kernel_launch_example/README.md+1-1

	@@ -82,7 +82,7 @@ print("Verification successful!")
82		82
83	2. 在soc目录下新建一个`CMakeLists.txt`	83	2. 在soc目录下新建一个`CMakeLists.txt`
84		84
85	- ```	85	+ ```text
86	add_sources("--npu-arch=dav-2201")	86	add_sources("--npu-arch=dav-2201")
87	```	87	```
88		88

Mexperimental/matmul/matmul_fp32/README.md+1-1

	@@ -12,7 +12,7 @@
12		12
13	## 目录结构介绍	13	## 目录结构介绍
14		14
15	-```	15	+```text
16	├── CMakeLists.txt // 编译工程文件	16	├── CMakeLists.txt // 编译工程文件
17	├── README.md // 算子样例工程介绍文件	17	├── README.md // 算子样例工程介绍文件
18	├── examples // 样例算子的aclnn接口样例目录	18	├── examples // 样例算子的aclnn接口样例目录

Mexperimental/matmul/matmul_fp32/examples/README.md+1-1

	@@ -1,6 +1,6 @@
1	# 目录结构介绍	1	# 目录结构介绍
2		2
3	-```	3	+```text
4	├── examples // 通过aclnn调用的方式调用MatmulFp32算子	4	├── examples // 通过aclnn调用的方式调用MatmulFp32算子
5	│ ├── inc // 头文件目录	5	│ ├── inc // 头文件目录
6	│ │ ├── common.h // 声明公共方法类，用于读取二进制文件	6	│ │ ├── common.h // 声明公共方法类，用于读取二进制文件

Mexperimental/matmul/weight_quant_batch_matmul_experiment/README.md+1-2

	@@ -13,7 +13,7 @@
13		13
14	## 目录结构介绍	14	## 目录结构介绍
15		15
16	-```	16	+```text
17	├── weight_quant_batch_matmul_experiment	17	├── weight_quant_batch_matmul_experiment
18	│ ├── examples // 样例工程	18	│ ├── examples // 样例工程
19	│ ├── op_host // tiling && 算子定义	19	│ ├── op_host // tiling && 算子定义
	@@ -68,7 +68,6 @@
68	A_{3} \\	68	A_{3} \\
69	\end{bmatrix}	69	\end{bmatrix}
70	$$	70	$$
71	-
72	10. 计算$C_{int}$:	71	10. 计算$C_{int}$:
73		72
74	$$Y_{int} = \begin{bmatrix}	73	$$Y_{int} = \begin{bmatrix}

Mexperimental/matmul/weight_quant_batch_matmul_experiment/examples/README.md+1-1

	@@ -1,6 +1,6 @@
1	# 目录结构介绍	1	# 目录结构介绍
2		2
3	-```	3	+```text
4	├── examples // 通过aclnn调用的方式调用WeightQuantBatchMatmulExperiment算子	4	├── examples // 通过aclnn调用的方式调用WeightQuantBatchMatmulExperiment算子
5	│ ├── inc // 头文件目录	5	│ ├── inc // 头文件目录
6	│ ├── input // 存放脚本生成的输入数据目录	6	│ ├── input // 存放脚本生成的输入数据目录

Mindex/embedding_bag/docs/aclnnEmbeddingBag.md+6-6

	@@ -20,7 +20,7 @@
20		20
21	- 当mode为sum模式：	21	- 当mode为sum模式：
22		22
23	- ```	23	+ ```text
24	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)	24	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)
25	offset2bag的shape 为 (bagIndices,)	25	offset2bag的shape 为 (bagIndices,)
26	bagSize的shape为includeLastOffset ? (bagOffsets - 1) : (bagOffsets,)	26	bagSize的shape为includeLastOffset ? (bagOffsets - 1) : (bagOffsets,)
	@@ -29,7 +29,7 @@
29		29
30	- 当mode为mean模式：	30	- 当mode为mean模式：
31		31
32	- ```	32	+ ```text
33	output的shape为includeLastOffset? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)	33	output的shape为includeLastOffset? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)
34	offset2bag的shape为(bagIndices,)	34	offset2bag的shape为(bagIndices,)
35	bagSize的shape为includeLastOffset ? (bagOffsets - 1) : (bagOffsets,)	35	bagSize的shape为includeLastOffset ? (bagOffsets - 1) : (bagOffsets,)
	@@ -38,7 +38,7 @@
38		38
39	- 当mode为max模式：	39	- 当mode为max模式：
40		40
41	- ```	41	+ ```text
42	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)	42	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)
43	offset2bag的shape为(bagIndices,)	43	offset2bag的shape为(bagIndices,)
44	bagSize的shape为includeLastOffset ? (bagOffsets - 1) : (bagOffsets,)	44	bagSize的shape为includeLastOffset ? (bagOffsets - 1) : (bagOffsets,)
	@@ -48,7 +48,7 @@
48	- <term>Ascend 950PR/Ascend 950DT</term>：	48	- <term>Ascend 950PR/Ascend 950DT</term>：
49	- 当mode为sum模式：	49	- 当mode为sum模式：
50		50
51	- ```	51	+ ```text
52	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)	52	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)
53	offset2bag的shape为(bagIndices,)	53	offset2bag的shape为(bagIndices,)
54	bagSize的shape为(bagOffsets,)	54	bagSize的shape为(bagOffsets,)
	@@ -57,7 +57,7 @@
57		57
58	- 当mode为mean模式：	58	- 当mode为mean模式：
59		59
60	- ```	60	+ ```text
61	output的shape为includeLastOffset? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)	61	output的shape为includeLastOffset? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)
62	offset2bag的shape为(bagIndices,)	62	offset2bag的shape为(bagIndices,)
63	bagSize的shape为bagOffsets	63	bagSize的shape为bagOffsets
	@@ -66,7 +66,7 @@
66		66
67	- 当mode为max模式：	67	- 当mode为max模式：
68		68
69	- ```	69	+ ```text
70	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)	70	output的shape为includeLastOffset ? (bagOffsets - 1, embeddingDim) : (bagOffsets, embeddingDim)
71	offset2bag的shape为(bagIndices,)	71	offset2bag的shape为(bagIndices,)
72	bagSize的shape为(bagOffsets,)	72	bagSize的shape为(bagOffsets,)

Mindex/embedding_dense_grad/docs/aclnnEmbeddingDenseBackward.md+1-1

	@@ -43,7 +43,7 @@
43		43
44	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	44	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
45		45
46	- ```	46	+ ```text
47	第一段接口完成入参校验，出现如下场景时报错：	47	第一段接口完成入参校验，出现如下场景时报错：
48	返回161001(ACLNN_ERR_PARAM_NULLPTR)：1. 传入的grad、indices、out是空指针。	48	返回161001(ACLNN_ERR_PARAM_NULLPTR)：1. 传入的grad、indices、out是空指针。
49	返回161002(ACLNN_ERR_PARAM_INVALID)：1. grad、indices、out的数据类型和数据格式不在支持的范围之内。	49	返回161002(ACLNN_ERR_PARAM_INVALID)：1. grad、indices、out的数据类型和数据格式不在支持的范围之内。

Mindex/gather_elements/docs/aclnnMaxUnpool3dBackward.md+1-1

	@@ -26,7 +26,7 @@
26	$$	26	$$
27	out[N][C][i] = gradOutput[N][C][indices[N][C][i]]	27	out[N][C][i] = gradOutput[N][C][indices[N][C][i]]
28	$$	28	$$
29	- 其中out、gradOutput、indices是最后两轴合为一轴，经过reshape得到的，i ∈ [0, D * H * W)。	29	+ 其中out、gradOutput、indices是最后两轴合为一轴，经过reshape得到的，i ∈ [0, DH W)。
30		30
31	## 函数原型	31	## 函数原型
32		32

Mindex/gather_nd/README.md+1-1

	@@ -26,7 +26,7 @@
26		26
27	- 示例：	27	- 示例：
28		28
29	- ```	29	+ ```text
30	例1：	30	例1：
31	self: [[0, 1],[2, 3]] # self_shape=[2, 2], r=2	31	self: [[0, 1],[2, 3]] # self_shape=[2, 2], r=2
32	indices: [[0, 0], [1, 1]] # indices_shape=[2, 2], q=2, indices_shape[-1]=2	32	indices: [[0, 0], [1, 1]] # indices_shape=[2, 2], q=2, indices_shape[-1]=2

Mindex/gather_nd/docs/aclnnGatherNd.md+1-1

	@@ -26,7 +26,7 @@
26		26
27	- 示例：	27	- 示例：
28		28
29	- ```	29	+ ```text
30	例1：	30	例1：
31	self: [[0, 1],[2, 3]] # self_shape=[2, 2], r=2	31	self: [[0, 1],[2, 3]] # self_shape=[2, 2], r=2
32	indices: [[0, 0], [1, 1]] # indices_shape=[2, 2], q=2, indices_shape[-1]=2	32	indices: [[0, 0], [1, 1]] # indices_shape=[2, 2], q=2, indices_shape[-1]=2

Mindex/gather_v2/docs/aclnnNanMedianDim.md+5-4

	@@ -20,14 +20,15 @@
20	- 示例：	20	- 示例：
21	- 示例1：	21	- 示例1：
22		22
23	- ```	23	+ ```text
24	当keepDim为True时，则将对应维度的size置为1，若为False，则删除对应维度。	24	当keepDim为True时，则将对应维度的size置为1，若为False，则删除对应维度。
25	假设self的shape为[2, 3, 4]，dim = 1，keepDim为true，则输出shape为[2, 1, 4]。	25	假设self的shape为[2, 3, 4]，dim = 1，keepDim为true，则输出shape为[2, 1, 4]。
26	假设self的shape为[2, 3, 4]，dim = 1，keepDim为false，则输出shape为[2, 4]。	26	假设self的shape为[2, 3, 4]，dim = 1，keepDim为false，则输出shape为[2, 4]。
27	```	27	```
28		28
29	- 示例2：	29	- 示例2：
30	- ```	30	+
		31	+ ```text
31	关于输出shape的示例	32	关于输出shape的示例
32	若输入	33	若输入
33	self = tensor([[1, float('nan'), 3, 2],[-1, float('nan'), 3, 2]]) shape为[2, 4]	34	self = tensor([[1, float('nan'), 3, 2],[-1, float('nan'), 3, 2]]) shape为[2, 4]
	@@ -40,7 +41,7 @@
40		41
41	- 示例3：	42	- 示例3：
42		43
43	- ```	44	+ ```text
44	若输入	45	若输入
45	self = tensor([[1, float('nan'), 3, 2],[-1, float('nan'), 3, 2]]) shape为[2, 4]	46	self = tensor([[1, float('nan'), 3, 2],[-1, float('nan'), 3, 2]]) shape为[2, 4]
46	dim = 0	47	dim = 0
	@@ -52,7 +53,7 @@
52		53
53	- 示例4：	54	- 示例4：
54		55
55	- ```	56	+ ```text
56	若输入	57	若输入
57	self = tensor([[1, float('nan'), 3, 2],[-1, float('nan'), 3, 2]]) shape为[2, 4]	58	self = tensor([[1, float('nan'), 3, 2],[-1, float('nan'), 3, 2]]) shape为[2, 4]
58	dim = 1	59	dim = 1

Mindex/gather_v2/docs/aclnnTake.md+1-1

	@@ -49,7 +49,7 @@ $$
49		49
50	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	50	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
51		51
52	- ```	52	+ ```text
53	第一段接口完成入参校验，出现以下场景时报错：	53	第一段接口完成入参校验，出现以下场景时报错：
54	161001 (ACLNN_ERR_PARAM_NULLPTR):1. 参数self、index、out是空指针。	54	161001 (ACLNN_ERR_PARAM_NULLPTR):1. 参数self、index、out是空指针。
55	161002 (ACLNN_ERR_PARAM_INVALID):1. 参数self、index、out的数据类型不在支持范围内。	55	161002 (ACLNN_ERR_PARAM_INVALID):1. 参数self、index、out的数据类型不在支持范围内。

Mindex/scatter/README.md+2-2

	@@ -22,7 +22,7 @@
22		22
23	场景一： indices为1维，axis指定更新的维度shape为1，indices指定的是每个batch维度（最高维）在axis维度的偏移。	23	场景一： indices为1维，axis指定更新的维度shape为1，indices指定的是每个batch维度（最高维）在axis维度的偏移。
24		24
25	- ```	25	+ ```text
26	样例输入：	26	样例输入：
27	data:(a, b, c, d)	27	data:(a, b, c, d)
28	updates:(a, b, 1, d)	28	updates:(a, b, 1, d)
	@@ -35,7 +35,7 @@
35		35
36	场景二： indices为1维，axis指定更新的维度shape大于1，indices指定的是每个batch维度（最高维）在axis维度的偏移。	36	场景二： indices为1维，axis指定更新的维度shape大于1，indices指定的是每个batch维度（最高维）在axis维度的偏移。
37		37
38	- ```	38	+ ```text
39	样例输入：	39	样例输入：
40	data:(a, b, c, d)	40	data:(a, b, c, d)
41	updates:(a, b, e, d), indices[i] + e <= c	41	updates:(a, b, e, d), indices[i] + e <= c

Mindex/scatter/docs/aclnnInplaceScatterUpdate.md+2-2

	@@ -22,7 +22,7 @@
22		22
23	场景一： indices为1维，axis指定更新的维度shape为1，indices指定的是每个batch维度（最高维）在axis维度的偏移。	23	场景一： indices为1维，axis指定更新的维度shape为1，indices指定的是每个batch维度（最高维）在axis维度的偏移。
24		24
25	- ```	25	+ ```text
26	样例输入：	26	样例输入：
27	data:(a, b, c, d)	27	data:(a, b, c, d)
28	updates:(a, b, 1, d)	28	updates:(a, b, 1, d)
	@@ -35,7 +35,7 @@
35		35
36	场景二： indices为1维，axis指定更新的维度shape大于1，indices指定的是每个batch维度（最高维）在axis维度的偏移。	36	场景二： indices为1维，axis指定更新的维度shape大于1，indices指定的是每个batch维度（最高维）在axis维度的偏移。
37		37
38	- ```	38	+ ```text
39	样例输入：	39	样例输入：
40	data:(a, b, c, d)	40	data:(a, b, c, d)
41	updates:(a, b, e, d), indices[i] + e <= c	41	updates:(a, b, e, d), indices[i] + e <= c

Mindex/scatter_add/README.md+1-1

	@@ -16,7 +16,7 @@
16	- 算子功能：将src tensor中的值按指定的轴方向和index tensor中的位置关系逐个填入self tensor中，若有多于一个src值被填入到self的同一位置，那么这些值将会在这一位置上进行累加。	16	- 算子功能：将src tensor中的值按指定的轴方向和index tensor中的位置关系逐个填入self tensor中，若有多于一个src值被填入到self的同一位置，那么这些值将会在这一位置上进行累加。
17	对于一个3D tensor， self会按照如下的规则进行更新：	17	对于一个3D tensor， self会按照如下的规则进行更新：
18		18
19	- ```	19	+ ```text
20	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0	20	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0
21	self[i][index[i][j][k]][k] += src[i][j][k] # 如果 dim == 1	21	self[i][index[i][j][k]][k] += src[i][j][k] # 如果 dim == 1
22	self[i][j][index[i][j][k]] += src[i][j][k] # 如果 dim == 2	22	self[i][j][index[i][j][k]] += src[i][j][k] # 如果 dim == 2

Mindex/scatter_add/docs/aclnnScatterAdd.md+2-1

	@@ -20,7 +20,7 @@
20	用例：	20	用例：
21	对于一个3D tensor，self会按照如下的规则进行更新：	21	对于一个3D tensor，self会按照如下的规则进行更新：
22		22
23	- ```	23	+ ```text
24	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0	24	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0
25	self[i][index[i][j][k]][k] += src[i][j][k] # 如果 dim == 1	25	self[i][index[i][j][k]][k] += src[i][j][k] # 如果 dim == 1
26	self[i][j][index[i][j][k]] += src[i][j][k] # 如果 dim == 2	26	self[i][j][index[i][j][k]] += src[i][j][k] # 如果 dim == 2
	@@ -186,6 +186,7 @@ aclnnStatus aclnnScatterAdd(
186		186
187	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	187	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
188		188
		189	+ ```text
189	第一段接口完成入参校验，出现以下场景时报错：	190	第一段接口完成入参校验，出现以下场景时报错：
190		191
191	<table style="undefined;table-layout: fixed; width: 1150px"><colgroup>	192	<table style="undefined;table-layout: fixed; width: 1150px"><colgroup>

Mindex/scatter_add_with_sorted/README.md+2-2

	@@ -18,9 +18,9 @@
18	- 算子功能: 将tensor src中的值按指定的轴和方向和对应的位置关系逐个替换/累加/累乘至tensor self中。	18	- 算子功能: 将tensor src中的值按指定的轴和方向和对应的位置关系逐个替换/累加/累乘至tensor self中。
19		19
20	- 示例：	20	- 示例：
21	- 对于一个3D tensor， self会按照如下的规则进行更新：	21	+ 对于一个3D tensor，self会按照如下的规则进行更新：
22		22
23	- ```	23	+ ```text
24	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0 && reduction == 1	24	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0 && reduction == 1
25	self[i][index[i][j][k]][k] *= src[i][j][k] # 如果 dim == 1 && reduction == 2	25	self[i][index[i][j][k]][k] *= src[i][j][k] # 如果 dim == 1 && reduction == 2
26	self[i][j][index[i][j][k]] = src[i][j][k] # 如果 dim == 2 && reduction == 0	26	self[i][j][index[i][j][k]] = src[i][j][k] # 如果 dim == 2 && reduction == 0

Mindex/scatter_elements/docs/aclnnUnique.md+2-2

	@@ -40,7 +40,7 @@
40		40
41	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	41	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
42		42
43	- ```	43	+ ```text
44	第一段接口完成入参校验，出现以下场景时报错：	44	第一段接口完成入参校验，出现以下场景时报错：
45	返回161001(ACLNN_ERR_PARAM_NULLPTR)：1. 传入的 self或valueOut或inverseOut是空指针时。	45	返回161001(ACLNN_ERR_PARAM_NULLPTR)：1. 传入的 self或valueOut或inverseOut是空指针时。
46	返回161002(ACLNN_ERR_PARAM_INVALID)：1. self 或valueOut 的数据类型不在支持的范围之内。	46	返回161002(ACLNN_ERR_PARAM_INVALID)：1. self 或valueOut 的数据类型不在支持的范围之内。
	@@ -51,7 +51,7 @@
51		51
52	## aclnnUnique	52	## aclnnUnique
53		53
54	-* 参数说明：	54	+* 参数说明
55	* workspace（void\*, 入参）：在Device侧申请的workspace内存地址。	55	* workspace（void\*, 入参）：在Device侧申请的workspace内存地址。
56	* workspaceSize（uint64\_t, 入参）：在Device侧申请的workspace大小，由第一段接口aclnnUniqueGetWorkspaceSize获取。	56	* workspaceSize（uint64\_t, 入参）：在Device侧申请的workspace大小，由第一段接口aclnnUniqueGetWorkspaceSize获取。
57	* executor（aclOpExecutor\*, 入参）：op执行器，包含了算子计算流程。	57	* executor（aclOpExecutor\*, 入参）：op执行器，包含了算子计算流程。

Mindex/scatter_elements/docs/aclnnUnique2.md+1-1

	@@ -41,7 +41,7 @@
41		41
42	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	42	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
43		43
44	- ```	44	+ ```text
45	第一段接口完成入参校验，出现以下场景时报错：	45	第一段接口完成入参校验，出现以下场景时报错：
46	返回161001(ACLNN_ERR_PARAM_NULLPTR)：1. 传入的 self或valueOut或inverseOut或countsOut 是空指针时。	46	返回161001(ACLNN_ERR_PARAM_NULLPTR)：1. 传入的 self或valueOut或inverseOut或countsOut 是空指针时。
47	返回161002(ACLNN_ERR_PARAM_INVALID)：1. self 或valueOut 的数据类型不在支持的范围之内。	47	返回161002(ACLNN_ERR_PARAM_INVALID)：1. self 或valueOut 的数据类型不在支持的范围之内。

Mindex/scatter_elements_v2/README.md+1-1

	@@ -18,7 +18,7 @@
18	- 示例：	18	- 示例：
19	对于一个3D tensor， self会按照如下的规则进行更新：	19	对于一个3D tensor， self会按照如下的规则进行更新：
20		20
21	- ```	21	+ ```text
22	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0 && reduction == 1	22	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0 && reduction == 1
23	self[i][index[i][j][k]][k] *= src[i][j][k] # 如果 dim == 1 && reduction == 2	23	self[i][index[i][j][k]][k] *= src[i][j][k] # 如果 dim == 1 && reduction == 2
24	self[i][j][index[i][j][k]] = src[i][j][k] # 如果 dim == 2 && reduction == 0	24	self[i][j][index[i][j][k]] = src[i][j][k] # 如果 dim == 2 && reduction == 0

Mindex/scatter_elements_v2/docs/aclnnScatter&aclnnInplaceScatter.md+1-1

	@@ -20,7 +20,7 @@
20	- 示例：	20	- 示例：
21	对于一个3D tensor，self会按照如下的规则进行更新：	21	对于一个3D tensor，self会按照如下的规则进行更新：
22		22
23	- ```	23	+ ```text
24	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0 && reduction == 1	24	self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0 && reduction == 1
25	self[i][index[i][j][k]][k] *= src[i][j][k] # 如果 dim == 1 && reduction == 2	25	self[i][index[i][j][k]][k] *= src[i][j][k] # 如果 dim == 1 && reduction == 2
26	self[i][j][index[i][j][k]] = src[i][j][k] # 如果 dim == 2 && reduction == 0	26	self[i][j][index[i][j][k]] = src[i][j][k] # 如果 dim == 2 && reduction == 0

Aindex/scatter_elements_v2/docs/aclnnScatterAdd.md+419-0

@@ -0,0 +1,419 @@
	1	+# aclnnScatterAdd
	2	+
	3	+📄 [查看源码](https://gitcode.com/cann/ops-nn/tree/master/index/scatter_elements_v2)
	4	+
	5	+## 产品支持情况
	6	+
	7	+\| 产品 \| 是否支持 \|
	8	+\| :--- \| :---: \|
	9	+\| <term>Ascend 950PR/Ascend 950DT</term> \| √ \|
	10	+\| <term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term> \| √ \|
	11	+\| <term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term> \| √ \|
	12	+\| <term>Atlas 200I/500 A2 推理产品</term> \| × \|
	13	+\| <term>Atlas 推理系列产品</term> \| × \|
	14	+\| <term>Atlas 训练系列产品</term> \| × \|
	15	+
	16	+## 功能说明
	17	+
	18	+- 接口功能：将src tensor中的值按指定的轴方向和index tensor中的位置关系逐个填入self tensor中，若有多于一个src值被填入到self的同一位置，那么这些值将会在这一位置上进行累加。
	19	+
	20	+ 用例：
	21	+ 对于一个3D tensor，self会按照如下的规则进行更新：
	22	+
	23	+ ```text
	24	+ self[index[i][j][k]][j][k] += src[i][j][k] # 如果 dim == 0
	25	+ self[i][index[i][j][k]][k] += src[i][j][k] # 如果 dim == 1
	26	+ self[i][j][index[i][j][k]] += src[i][j][k] # 如果 dim == 2
	27	+ ```
	28	+
	29	+ 在计算时需要满足以下要求：
	30	+ - self、index和src的维度数量必须相同。
	31	+ - 对于每一个维度d，有index.size(d) <= src.size(d)。
	32	+ - 对于每一个维度d，如果有d != dim，有index.size(d) <= self.size(d)。
	33	+ - dim取值范围为[-self.dim(), self.dim() - 1]。
	34	+
	35	+- 示例：
	36	+
	37	+ 输入tensor $self = \begin{bmatrix} [1&2&3] \\ [4&5&6] \\ [7&8&9] \end{bmatrix}$，
	38	+ 索引tensor $index = \begin{bmatrix} [0&2&1] \\ [0&0&1] \end{bmatrix}$， dim = 1，
	39	+ 源tensor $src = \begin{bmatrix} [10&11&12] \\ [13&14&15] \end{bmatrix}$，
	40	+ 输出tensor $output = \begin{bmatrix} [11&14&14] \\ [31&20&6] \\ [7&8&9] \end{bmatrix}$
	41	+
	42	+ dim = 1 表示scatter_add根据$index$在tensor的列上进行累加。
	43	+
	44	+ $output[0][0] = self[0][0] + src[0][0]$ = 1 + 10，
	45	+
	46	+ $output[0][1] = self[0][1] + src[0][2]$ = 2 + 12，
	47	+
	48	+ $output[0][2] = self[0][2] + src[0][1]$ = 3 + 11，
	49	+
	50	+ $output[1][0] = self[1][0] + src[1][0] + src[1][1]$ = 4 + 13 + 14，
	51	+
	52	+ $output[1][1] = self[1][1] + src[1][2]$ = 5 + 15，
	53	+
	54	+ $output[1][2] = self[1][2]$ = 6，
	55	+
	56	+ $output[2][0] = self[2][0]$ = 7，
	57	+
	58	+ $output[2][1] = self[2][1]$ = 8，
	59	+
	60	+ $output[2][2] = self[2][2]$ = 9。
	61	+
	62	+ 其中，$self$、$index$、$src$的维度数量均为2，$index$每个维度大小{2，3}都不大于$src$的对应维度大小{2，3}，在dim != 1的维度上（dim = 0），$index$的维度大小{2}不大于$self$的对应维度大小{3}，$index$中的最大值{2}，小于$self$在dim = 1维度的大小{3}。
	63	+
	64	+## 函数原型
	65	+
	66	+每个算子分为[两段式接口](../../../docs/zh/context/两段式接口.md)，必须先调用“aclnnScatterAddGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnScatterAdd”接口执行计算。
	67	+
	68	+```Cpp
	69	+aclnnStatus aclnnScatterAddGetWorkspaceSize(
	70	+ const aclTensor* self,
	71	+ int64_t dim,
	72	+ const aclTensor* index,
	73	+ const aclTensor* src,
	74	+ aclTensor* out,
	75	+ uint64_t* workspaceSize,
	76	+ aclOpExecutor** executor)
	77	+```
	78	+
	79	+```Cpp
	80	+aclnnStatus aclnnScatterAdd(
	81	+ void* workspace,
	82	+ uint64_t workspaceSize,
	83	+ aclOpExecutor* executor,
	84	+ const aclrtStream stream)
	85	+```
	86	+
	87	+## aclnnScatterAddGetWorkspaceSize
	88	+
	89	+- 参数说明：
	90	+
	91	+ <table style="undefined;table-layout: fixed; width: 1550px"><colgroup>
	92	+ <col style="width: 180px">
	93	+ <col style="width: 120px">
	94	+ <col style="width: 280px">
	95	+ <col style="width: 320px">
	96	+ <col style="width: 250px">
	97	+ <col style="width: 120px">
	98	+ <col style="width: 140px">
	99	+ <col style="width: 140px">
	100	+ </colgroup>
	101	+ <thead>
	102	+ <tr>
	103	+ <th>参数名</th>
	104	+ <th>输入/输出</th>
	105	+ <th>描述</th>
	106	+ <th>使用说明</th>
	107	+ <th>数据类型</th>
	108	+ <th>数据格式</th>
	109	+ <th>维度(shape)</th>
	110	+ <th>非连续Tensor</th>
	111	+ </tr></thead>
	112	+ <tbody>
	113	+ <tr>
	114	+ <td>self（aclTensor*）</td>
	115	+ <td>输入</td>
	116	+ <td>公式中的输入`self`，scatter的目标张量。</td>
	117	+ <td>维度数量需要与index和src相同。<br>数据类型与src的数据类型一致。</td>
	118	+ <td>BFLOAT16、FLOAT16、FLOAT32、DOUBLE、INT64、INT32、INT16、INT8、UINT8、BOOL、COMPLEX64、COMPLEX128</td>
	119	+ <td>ND</td>
	120	+ <td>0-8</td>
	121	+ <td>√</td>
	122	+ </tr>
	123	+ <tr>
	124	+ <td>dim（int64_t）</td>
	125	+ <td>输入</td>
	126	+ <td>计算公式中的输入`dim`。</td>
	127	+ <td>-</td>
	128	+ <td>-</td>
	129	+ <td>-</td>
	130	+ <td>-</td>
	131	+ <td>-</td>
	132	+ </tr>
	133	+ <tr>
	134	+ <td>index（aclTensor*）</td>
	135	+ <td>输入</td>
	136	+ <td>公式中的输入`index`。</td>
	137	+ <td>维度数量需要与src相同。</td>
	138	+ <td>INT32、INT64</td>
	139	+ <td>ND</td>
	140	+ <td>-</td>
	141	+ <td>√</td>
	142	+ </tr>
	143	+ <tr>
	144	+ <td>src（aclTensor*）</td>
	145	+ <td>输入</td>
	146	+ <td>公式中的输入`src`，源张量。</td>
	147	+ <td>维度数量需要与index相同。<br>数据类型与self的数据类型一致。</td>
	148	+ <td>BFLOAT16、FLOAT16、FLOAT32、DOUBLE、INT64、INT32、INT16、INT8、UINT8、BOOL、COMPLEX64、COMPLEX128</td>
	149	+ <td>ND</td>
	150	+ <td>-</td>
	151	+ <td>×</td>
	152	+ </tr>
	153	+ <tr>
	154	+ <td>out（aclTensor*）</td>
	155	+ <td>输出</td>
	156	+ <td>公式中的`output`。</td>
	157	+ <td>shape需要与self一致。<br>数据类型与self的数据类型一致。</td>
	158	+ <td>BFLOAT16、FLOAT16、FLOAT32、DOUBLE、INT64、INT32、INT16、INT8、UINT8、BOOL、COMPLEX64、COMPLEX128</td>
	159	+ <td>ND</td>
	160	+ <td>-</td>
	161	+ <td>×</td>
	162	+ </tr>
	163	+ <tr>
	164	+ <td>workspaceSize（uint64_t*）</td>
	165	+ <td>输出</td>
	166	+ <td>返回需要在Device侧申请的workspace大小。</td>
	167	+ <td>-</td>
	168	+ <td>-</td>
	169	+ <td>-</td>
	170	+ <td>-</td>
	171	+ <td>-</td>
	172	+ </tr>
	173	+ <tr>
	174	+ <td>executor（aclOpExecutor**）</td>
	175	+ <td>输出</td>
	176	+ <td>返回op执行器，包含了算子计算流程。</td>
	177	+ <td>-</td>
	178	+ <td>-</td>
	179	+ <td>-</td>
	180	+ <td>-</td>
	181	+ <td>-</td>
	182	+ </tr>
	183	+ </tbody></table>
	184	+
	185	+- 返回值：
	186	+
	187	+ aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
	188	+
	189	+ 第一段接口完成入参校验，出现以下场景时报错：
	190	+
	191	+ <table style="undefined;table-layout: fixed; width: 1150px"><colgroup>
	192	+ <col style="width: 300px">
	193	+ <col style="width: 134px">
	194	+ <col style="width: 716px">
	195	+ </colgroup>
	196	+ <thead>
	197	+ <tr>
	198	+ <th>返回值</th>
	199	+ <th>错误码</th>
	200	+ <th>描述</th>
	201	+ </tr></thead>
	202	+ <tbody>
	203	+ <tr>
	204	+ <td>ACLNN_ERR_PARAM_NULLPTR</td>
	205	+ <td>161001</td>
	206	+ <td>传入的self、index、src或out是空指针。</td>
	207	+ </tr>
	208	+ <tr>
	209	+ <td rowspan="3">ACLNN_ERR_PARAM_INVALID</td>
	210	+ <td rowspan="3">161002</td>
	211	+ <td>self、index、src或out的数据类型不在支持的范围之内。</td>
	212	+ </tr>
	213	+ <tr>
	214	+ <td>self和out的shape不一致。</td>
	215	+ </tr>
	216	+ <tr>
	217	+ <td>src或index的shape不合法。</td>
	218	+ </tr>
	219	+ </tbody></table>
	220	+
	221	+## aclnnScatterAdd
	222	+
	223	+- 参数说明：
	224	+
	225	+ <table style="undefined;table-layout: fixed; width: 1100px"><colgroup>
	226	+ <col style="width: 200px">
	227	+ <col style="width: 130px">
	228	+ <col style="width: 770px">
	229	+ </colgroup>
	230	+ <thead>
	231	+ <tr>
	232	+ <th>参数名</th>
	233	+ <th>输入/输出</th>
	234	+ <th>描述</th>
	235	+ </tr></thead>
	236	+ <tbody>
	237	+ <tr>
	238	+ <td>workspace</td>
	239	+ <td>输入</td>
	240	+ <td>在Device侧申请的workspace内存地址。</td>
	241	+ </tr>
	242	+ <tr>
	243	+ <td>workspaceSize</td>
	244	+ <td>输入</td>
	245	+ <td>在Device侧申请的workspace大小，由第一段接口aclnnScatterAddGetWorkspaceSize获取。</td>
	246	+ </tr>
	247	+ <tr>
	248	+ <td>executor</td>
	249	+ <td>输入</td>
	250	+ <td>op执行器，包含了算子计算流程。</td>
	251	+ </tr>
	252	+ <tr>
	253	+ <td>stream</td>
	254	+ <td>输入</td>
	255	+ <td>指定执行任务的Stream。</td>
	256	+ </tr>
	257	+ </tbody></table>
	258	+
	259	+- 返回值：
	260	+
	261	+ aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
	262	+
	263	+## 约束说明
	264	+
	265	+- 确定性计算：
	266	+ - aclnnScatterAdd默认确定性实现。
	267	+
	268	+## 调用示例
	269	+
	270	+示例代码如下，仅供参考，具体编译和执行过程请参考[编译与运行样例](../../../docs/zh/context/编译与运行样例.md)。
	271	+
	272	+```Cpp
	273	+#include <iostream>
	274	+#include <vector>
	275	+#include "acl/acl.h"
	276	+#include "aclnnop/aclnn_scatter_add.h"
	277	+
	278	+#define CHECK_RET(cond, return_expr) \
	279	+ do { \
	280	+ if (!(cond)) { \
	281	+ return_expr; \
	282	+ } \
	283	+ } while (0)
	284	+
	285	+#define LOG_PRINT(message, ...) \
	286	+ do { \
	287	+ printf(message, ##__VA_ARGS__); \
	288	+ } while (0)
	289	+
	290	+int64_t GetShapeSize(const std::vector<int64_t>& shape) {
	291	+ int64_t shapeSize = 1;
	292	+ for (auto i : shape) {
	293	+ shapeSize *= i;
	294	+ }
	295	+ return shapeSize;
	296	+}
	297	+
	298	+int Init(int32_t deviceId, aclrtStream* stream) {
	299	+ // 固定写法，资源初始化
	300	+ auto ret = aclInit(nullptr);
	301	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
	302	+ ret = aclrtSetDevice(deviceId);
	303	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
	304	+ ret = aclrtCreateStream(stream);
	305	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret);
	306	+ return 0;
	307	+}
	308	+
	309	+template <typename T>
	310	+int CreateAclTensor(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr,
	311	+ aclDataType dataType, aclTensor** tensor) {
	312	+ auto size = GetShapeSize(shape) * sizeof(T);
	313	+ // 调用aclrtMalloc申请device侧内存
	314	+ auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
	315	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
	316	+ // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
	317	+ ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
	318	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
	319	+
	320	+ // 计算连续tensor的strides
	321	+ std::vector<int64_t> strides(shape.size(), 1);
	322	+ for (int64_t i = shape.size() - 2; i >= 0; i--) {
	323	+ strides[i] = shape[i + 1] * strides[i + 1];
	324	+ }
	325	+
	326	+ // 调用aclCreateTensor接口创建aclTensor
	327	+ *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
	328	+ shape.data(), shape.size(), *deviceAddr);
	329	+ return 0;
	330	+}
	331	+
	332	+int main() {
	333	+ // 1. （固定写法）device/stream初始化，参考acl API手册
	334	+ // 根据自己的实际device填写deviceId
	335	+ int32_t deviceId = 0;
	336	+ aclrtStream stream;
	337	+ auto ret = Init(deviceId, &stream);
	338	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);
	339	+
	340	+ // 2. 构造输入与输出，需要根据API的接口自定义构造
	341	+ std::vector<int64_t> selfShape = {4, 4};
	342	+ std::vector<int64_t> indexShape = {3, 4};
	343	+ std::vector<int64_t> srcShape = {4, 4};
	344	+ std::vector<int64_t> outShape = {4, 4};
	345	+ int64_t dim = 0;
	346	+ void* selfDeviceAddr = nullptr;
	347	+ void* indexDeviceAddr = nullptr;
	348	+ void* srcDeviceAddr = nullptr;
	349	+ void* outDeviceAddr = nullptr;
	350	+ aclTensor* self = nullptr;
	351	+ aclTensor* index = nullptr;
	352	+ aclTensor* src = nullptr;
	353	+ aclTensor* out = nullptr;
	354	+ std::vector<float> selfHostData(16, 0);
	355	+ std::vector<int64_t> indexHostData = {0, 1, 2, 1, 0, 1, 2, 0, 2, 2, 1, 0};
	356	+ std::vector<float> srcHostData = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15};
	357	+ std::vector<float> outHostData(16, 0);
	358	+ // 创建self aclTensor
	359	+ ret = CreateAclTensor(selfHostData, selfShape, &selfDeviceAddr, aclDataType::ACL_FLOAT, &self);
	360	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	361	+ // 创建index aclTensor
	362	+ ret = CreateAclTensor(indexHostData, indexShape, &indexDeviceAddr, aclDataType::ACL_INT64, &index);
	363	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	364	+ // 创建src aclTensor
	365	+ ret = CreateAclTensor(srcHostData, srcShape, &srcDeviceAddr, aclDataType::ACL_FLOAT, &src);
	366	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	367	+ // 创建out aclTensor
	368	+ ret = CreateAclTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out);
	369	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	370	+
	371	+ // 3. 调用CANN算子库API，需要修改为具体的Api名称
	372	+ uint64_t workspaceSize = 0;
	373	+ aclOpExecutor* executor;
	374	+ // 调用aclnnScatterAdd第一段接口
	375	+ ret = aclnnScatterAddGetWorkspaceSize(self, dim, index, src, out, &workspaceSize, &executor);
	376	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnScatterAddGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
	377	+ // 根据第一段接口计算出的workspaceSize申请device内存
	378	+ void* workspaceAddr = nullptr;
	379	+ if (workspaceSize > 0) {
	380	+ ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
	381	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
	382	+ }
	383	+ // 调用aclnnScatterAdd第二段接口
	384	+ ret = aclnnScatterAdd(workspaceAddr, workspaceSize, executor, stream);
	385	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnScatterAdd failed. ERROR: %d\n", ret); return ret);
	386	+
	387	+ // 4. （固定写法）同步等待任务执行结束
	388	+ ret = aclrtSynchronizeStream(stream);
	389	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
	390	+
	391	+ // 5. 获取输出的值，将device侧内存上的结果拷贝至host侧，需要根据具体API的接口定义修改
	392	+ auto size = GetShapeSize(outShape);
	393	+ std::vector<float> resultData(size, 0);
	394	+ ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr,
	395	+ size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST);
	396	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret);
	397	+ for (int64_t i = 0; i < size; i++) {
	398	+ LOG_PRINT("result[%ld] is: %f\n", i, resultData[i]);
	399	+ }
	400	+
	401	+ // 6. 释放aclTensor和aclScalar，需要根据具体API的接口定义修改
	402	+ aclDestroyTensor(self);
	403	+ aclDestroyTensor(index);
	404	+ aclDestroyTensor(src);
	405	+ aclDestroyTensor(out);
	406	+ // 7. 释放device资源，需要根据具体API的接口定义参数
	407	+ aclrtFree(selfDeviceAddr);
	408	+ aclrtFree(indexDeviceAddr);
	409	+ aclrtFree(srcDeviceAddr);
	410	+ aclrtFree(outDeviceAddr);
	411	+ if (workspaceSize > 0) {
	412	+ aclrtFree(workspaceAddr);
	413	+ }
	414	+ aclrtDestroyStream(stream);
	415	+ aclrtResetDevice(deviceId);
	416	+ aclFinalize();
	417	+ return 0;
	418	+}
	419	+```

Mindex/scatter_elements_v2/docs/aclnnScatterValue&aclnnInplaceScatterValue.md+3-3

	@@ -18,7 +18,7 @@
18	- 示例：	18	- 示例：
19	对于一个3D tensor， self会按照如下的规则进行更新：	19	对于一个3D tensor， self会按照如下的规则进行更新：
20		20
21	- ```	21	+ ```text
22	self[index[i][j][k]][j][k] = value # 如果 dim == 0	22	self[index[i][j][k]][j][k] = value # 如果 dim == 0
23	self[i][index[i][j][k]][k] = value # 如果 dim == 1	23	self[i][index[i][j][k]][k] = value # 如果 dim == 1
24	self[i][j][index[i][j][k]] = value # 如果 dim == 2	24	self[i][j][index[i][j][k]] = value # 如果 dim == 2
	@@ -73,7 +73,7 @@
73		73
74	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	74	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
75		75
76	- ```	76	+ ```text
77	第一段接口完成入参校验，出现以下场景时报错：	77	第一段接口完成入参校验，出现以下场景时报错：
78	返回161001 (ACLNN_ERR_PARAM_NULLPTR): 1. 传入的self、index、value或out是空指针。	78	返回161001 (ACLNN_ERR_PARAM_NULLPTR): 1. 传入的self、index、value或out是空指针。
79	返回161002 (ACLNN_ERR_PARAM_INVALID): 1. self、index、value或out的数据类型不在支持范围内。	79	返回161002 (ACLNN_ERR_PARAM_INVALID): 1. self、index、value或out的数据类型不在支持范围内。
	@@ -122,7 +122,7 @@
122	- 返回值：	122	- 返回值：
123	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	123	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
124		124
125	- ```	125	+ ```text
126	第一段接口完成入参校验，出现以下场景时报错：	126	第一段接口完成入参校验，出现以下场景时报错：
127	返回161001 (ACLNN_ERR_PARAM_NULLPTR): 1. 传入的selfRef、index、value是空指针。	127	返回161001 (ACLNN_ERR_PARAM_NULLPTR): 1. 传入的selfRef、index、value是空指针。
128	返回161002 (ACLNN_ERR_PARAM_INVALID): 1. selfRef、index、value的数据类型不在支持范围内	128	返回161002 (ACLNN_ERR_PARAM_INVALID): 1. selfRef、index、value的数据类型不在支持范围内

Aindex/scatter_nd_update/docs/aclnnScatterNd.md+231-0

@@ -0,0 +1,231 @@
	1	+# aclnnScatterNd
	2	+
	3	+## 产品支持情况
	4	+
	5	+\| 产品 \| 是否支持 \|
	6	+\| :----------------------------------------------------------- \| :------: \|
	7	+\| <term>Ascend 950PR/Ascend 950DT</term> \| × \|
	8	+\| <term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term> \| √ \|
	9	+\| <term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term> \| √ \|
	10	+\| <term>Atlas 200I/500 A2 推理产品</term> \| × \|
	11	+\| <term>Atlas 推理系列产品</term> \| × \|
	12	+\| <term>Atlas 训练系列产品</term> \| × \|
	13	+
	14	+## 功能说明
	15	+
	16	+算子功能：拷贝data的数据至out，同时在指定indices处根据updates更新out中的数据。
	17	+
	18	+## 函数原型
	19	+
	20	+每个算子分为[两段式接口](../../../docs/zh/context/两段式接口.md)，必须先调用“aclnnScatterNdGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnScatterNd”接口执行计算。
	21	+
	22	+* `aclnnStatus aclnnScatterNdGetWorkspaceSize(const aclTensor data,const aclTensor indices,const aclTensor updates, aclTensor out, uint64_t workspaceSize, aclOpExecutor *executor)`
	23	+* `aclnnStatus aclnnScatterNd(void workspace, uint64_t workspaceSize, aclOpExecutor executor, aclrtStream stream)`
	24	+
	25	+## aclnnScatterNdGetWorkspaceSize
	26	+
	27	+- 参数说明：
	28	+ * data(aclTensor*,计算输入)：Device侧的aclTensor, 数据类型与updates、out一致，shape满足1<=rank(data)<=8。支持[非连续的Tensor](../../../docs/zh/context/非连续的Tensor.md)，[数据格式](../../../docs/zh/context/数据格式.md)支持ND。
	29	+ - <term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>、<term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>：数据类型支持FLOAT16、FLOAT、BOOL、BFLOAT16
	30	+ * indices(aclTensor*,计算输入)：Device侧的aclTensor，数据类型支持INT32、INT64。indices.shape[-1] <= rank(data)，且1<=rank(indices)<=8。支持[非连续的Tensor](../../../docs/zh/context/非连续的Tensor.md)，[数据格式](../../../docs/zh/context/数据格式.md)支持ND。仅支持非负索引。indices中的索引数据不支持越界。
	31	+
	32	+ * updates(aclTensor*,计算输入)：Device侧的aclTensor, 数据类型与data、out一致。shape要求rank(updates)=rank(data)+rank(indices)-indices.shape[-1] -1, 且满足1<=rank(updates)<=8。支持[非连续的Tensor](../../../docs/zh/context/非连续的Tensor.md)，[数据格式](../../../docs/zh/context/数据格式.md)支持ND。
	33	+ - <term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>、<term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>：数据类型支持FLOAT16、FLOAT、BOOL、BFLOAT16
	34	+ * out(aclTensor*，计算输出)：Device侧的aclTensor，数据类型与data、out一致，shape与data一致。支持[非连续的Tensor](../../../docs/zh/context/非连续的Tensor.md)，[数据格式](../../../docs/zh/context/数据格式.md)支持ND。
	35	+ - <term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>、<term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>：数据类型支持FLOAT16、FLOAT、BOOL、BFLOAT16
	36	+ * workspaceSize(uint64_t*，出参)：返回需要在Device侧申请的workspace大小。
	37	+
	38	+ * executor(aclOpExecutor**，出参)：返回op执行器，包含了算子计算流程。
	39	+
	40	+- 返回值：
	41	+
	42	+ aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
	43	+
	44	+ ```text
	45	+ 第一段接口完成入参校验，出现以下场景时报错：
	46	+ 返回161001(ACLNN_ERR_PARAM_NULLPTR)：1.传入的data、indices、updates、out中有空指针
	47	+ 返回161002(ACLNN_ERR_PARAM_INVALID)：1. 数据类型不在支持的范围之内;
	48	+ 2. shape不满足要求：1<=rank(data)<=8, 1<=rank(indices)<=8,rank(updates)=rank(data)+rank(indices)- indices.shape[-1] -1
	49	+ 3. shape不满足要求：1<=rank(indices)<=8, indices.shape[-1] <= rank(data)
	50	+ 4. shape不满足要求：1<=rank(updates)<=8, updates.shape == indices.shape[:-1] + data.shape[indices.shape[-1] :]
	51	+ 5. shape不满足要求：data.shape == out.shape
	52	+ ```
	53	+
	54	+## aclnnScatterNd
	55	+
	56	+- 参数说明：
	57	+ * workspace(void *, 入参)：在Device侧申请的workspace内存地址。
	58	+ * workspaceSize(uint64_t, 入参)：在Device侧申请的workspace大小，由第一段接口aclnnScatterNdGetWorkspaceSize获取。
	59	+ * executor(aclOpExecutor *, 入参)：op执行器，包含了算子计算流程。
	60	+ * stream(aclrtStream, 入参)：指定执行任务的Stream。
	61	+- 返回值：
	62	+
	63	+ aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
	64	+
	65	+## 约束说明
	66	+
	67	+- 确定性计算：
	68	+ - aclnnScatterNd默认确定性实现。
	69	+
	70	+## 调用示例
	71	+
	72	+示例代码如下，仅供参考，具体编译和执行过程请参考[编译与运行样例](../../../docs/zh/context/编译与运行样例.md)。
	73	+
	74	+```Cpp
	75	+#include <iostream>
	76	+#include <vector>
	77	+#include "acl/acl.h"
	78	+#include "aclnnop/aclnn_scatter_nd.h"
	79	+#include "aclnn/aclnn_base.h"
	80	+
	81	+#define CHECK_RET(cond, return_expr) \
	82	+ do { \
	83	+ if (!(cond)) { \
	84	+ return_expr; \
	85	+ } \
	86	+ } while (0)
	87	+
	88	+#define LOG_PRINT(message, ...) \
	89	+ do { \
	90	+ printf(message, ##__VA_ARGS__); \
	91	+ } while (0)
	92	+
	93	+int64_t GetShapeSize(const std::vector<int64_t>& shape) {
	94	+ int64_t shapeSize = 1;
	95	+ for (auto i : shape) {
	96	+ shapeSize *= i;
	97	+ }
	98	+ return shapeSize;
	99	+}
	100	+
	101	+int Init(int32_t deviceId, aclrtStream* stream) {
	102	+ // 固定写法，资源初始化
	103	+
	104	+ auto ret = aclInit(nullptr);
	105	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
	106	+ ret = aclrtSetDevice(deviceId);
	107	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
	108	+ ret = aclrtCreateStream(stream);
	109	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret);
	110	+ return 0;
	111	+}
	112	+
	113	+template <typename T>
	114	+int CreateAclTensor(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr,
	115	+ aclDataType dataType, aclTensor** tensor) {
	116	+ auto size = GetShapeSize(shape) * sizeof(T);
	117	+ // 调用aclrtMalloc申请device侧内存
	118	+ auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
	119	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
	120	+
	121	+ // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
	122	+ ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
	123	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
	124	+
	125	+ // 计算连续tensor的strides
	126	+ std::vector<int64_t> strides(shape.size(), 1);
	127	+ for (int64_t i = shape.size() - 2; i >= 0; i--) {
	128	+ strides[i] = shape[i + 1] * strides[i + 1];
	129	+ }
	130	+
	131	+ // 调用aclCreateTensor接口创建aclTensor
	132	+ *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
	133	+ shape.data(), shape.size(), *deviceAddr);
	134	+ return 0;
	135	+}
	136	+
	137	+int main() {
	138	+ // 1. （固定写法）device/stream初始化, 参考acl对外接口列表
	139	+ // 根据自己的实际device填写deviceId
	140	+ int32_t deviceId = 0;
	141	+ aclrtStream stream;
	142	+ auto ret = Init(deviceId, &stream);
	143	+ // check根据自己的需要处理
	144	+ CHECK_RET(ret == 0, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);
	145	+ // 2. 构造输入与输出，需要根据API的接口自定义构造
	146	+ std::vector<int64_t> dataShape = {8};
	147	+ std::vector<int64_t> indicesShape = {4, 1};
	148	+ std::vector<int64_t> updatesShape = {4};
	149	+ std::vector<int64_t> outShape = {8};
	150	+
	151	+ void* dataDeviceAddr = nullptr;
	152	+ void* indicesDeviceAddr = nullptr;
	153	+ void* updatesDeviceAddr = nullptr;
	154	+ void* outDeviceAddr = nullptr;
	155	+ aclTensor* data = nullptr;
	156	+ aclTensor* indices = nullptr;
	157	+ aclTensor* updates = nullptr;
	158	+ aclTensor* out = nullptr;
	159	+
	160	+ std::vector<float> selfHostData = {1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0};
	161	+ std::vector<int32_t> indicesData = {4,3,1,7};
	162	+ std::vector<float> updatesData = {9.0, 10.0, 11.0, 12.0};
	163	+ std::vector<float> outData = {0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0};
	164	+
	165	+ ret = CreateAclTensor(selfHostData, dataShape, &dataDeviceAddr, aclDataType::ACL_FLOAT, &data);
	166	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	167	+
	168	+ ret = CreateAclTensor(indicesData, indicesShape, &indicesDeviceAddr, aclDataType::ACL_INT32, &indices);
	169	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	170	+
	171	+ ret = CreateAclTensor(updatesData, updatesShape, &updatesDeviceAddr, aclDataType::ACL_FLOAT, &updates);
	172	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	173	+
	174	+ ret = CreateAclTensor(outData, outShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out);
	175	+ CHECK_RET(ret == ACL_SUCCESS, return ret);
	176	+
	177	+ // 创建out aclTensor
	178	+ // ret = CreateAclTensor(outData, outShape, &outDeviceAddr, aclDataType::ACL_INT32, &out);
	179	+ // CHECK_RET(ret == ACL_SUCCESS, return ret);
	180	+
	181	+ // 3. 调用CANN算子库API，需要修改为具体的API
	182	+ uint64_t workspaceSize = 0;
	183	+ aclOpExecutor* executor;
	184	+ // 调用aclnnAdd第一段接口
	185	+ ret = aclnnScatterNdGetWorkspaceSize(data, indices, updates, out, &workspaceSize, &executor);
	186	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnScatterNdGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
	187	+ // 根据第一段接口计算出的workspaceSize申请device内存
	188	+ void* workspaceAddr = nullptr;
	189	+ if (workspaceSize > 0) {
	190	+ ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
	191	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret;);
	192	+ }
	193	+
	194	+ ret = aclnnScatterNd(workspaceAddr, workspaceSize, executor, stream);
	195	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnScatterNd failed. ERROR: %d\n", ret); return ret);
	196	+ // 4. （固定写法）同步等待任务执行结束
	197	+ ret = aclrtSynchronizeStream(stream);
	198	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
	199	+ // 5. 获取输出的值，将device侧内存上的结果拷贝至host侧，需要根据具体API的接口定义修改
	200	+ auto size = GetShapeSize(outShape);
	201	+ std::vector<float> resultData(size, 0);
	202	+ ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr, size * sizeof(float),
	203	+ ACL_MEMCPY_DEVICE_TO_HOST);
	204	+ CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret);
	205	+
	206	+ for (int64_t i = 0; i < size; i++) {
	207	+ LOG_PRINT("result[%ld] is: %f\n", i, resultData[i]);
	208	+ }
	209	+
	210	+ // 6. 释放aclTensor和aclScalar，需要根据具体API的接口定义修改
	211	+ aclDestroyTensor(data);
	212	+ aclDestroyTensor(indices);
	213	+ aclDestroyTensor(updates);
	214	+ aclDestroyTensor(out);
	215	+
	216	+ // 7. 释放device资源，需要根据具体API的接口定义修改
	217	+
	218	+ aclrtFree(dataDeviceAddr);
	219	+ aclrtFree(indicesDeviceAddr);
	220	+ aclrtFree(updatesDeviceAddr);
	221	+ aclrtFree(outDeviceAddr);
	222	+ if (workspaceSize > 0) {
	223	+ aclrtFree(workspaceAddr);
	224	+ }
	225	+ aclrtDestroyStream(stream);
	226	+ aclrtResetDevice(deviceId);
	227	+ aclFinalize();
	228	+
	229	+ return 0;
	230	+}
	231	+```

Mindex/sparse_to_dense/README.md+1-1

	@@ -17,7 +17,7 @@
17		17
18	- 示例：	18	- 示例：
19		19
20	- ```	20	+ ```text
21	# If sparse_values is scalar	21	# If sparse_values is scalar
22	dense[i] = (i == sparse_indices ? sparse_values : default_value)	22	dense[i] = (i == sparse_indices ? sparse_values : default_value)
23		23

Mindex/tf_scatter_add/docs/aclnnTfScatterAdd.md+1-1

	@@ -46,7 +46,7 @@ $$
46		46
47	返回aclnnStatus状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	47	返回aclnnStatus状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
48		48
49	- ```	49	+ ```text
50	第一段接口完成入参校验，若出现以下错误码，则对应原因为：	50	第一段接口完成入参校验，若出现以下错误码，则对应原因为：
51	- 161001(ACLNN_ERR_PARAM_NULLPTR): 1. 传入的varRef、indices、updates是空指针。	51	- 161001(ACLNN_ERR_PARAM_NULLPTR): 1. 传入的varRef、indices、updates是空指针。
52	- 161002(ACLNN_ERR_PARAM_INVALID): 1. varRef、indices、updates的数据类型不在支持的范围之内。	52	- 161002(ACLNN_ERR_PARAM_INVALID): 1. varRef、indices、updates的数据类型不在支持的范围之内。

Mindex/top_k_top_p_sample_v2/README.md+4-0

	@@ -62,6 +62,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
62	v = 8 * \text{ks\_max}	62	v = 8 * \text{ks\_max}
63	$$	63	$$
64	ks_max有效取值范围[1,1024]，默认为1024，并且需要向上对齐到8的整数倍。	64	ks_max有效取值范围[1,1024]，默认为1024，并且需要向上对齐到8的整数倍。
		65	+
65	* 生成需要过滤的mask	66	* 生成需要过滤的mask
66		67
67	$$	68	$$
	@@ -92,6 +93,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
92	$$	93	$$
93		94
94	TopP采样	95	TopP采样
		96	+
95	* 根据入参约束属性inputIsLogits，如果该属性为True，则对排序后结果进行归一化：	97	* 根据入参约束属性inputIsLogits，如果该属性为True，则对排序后结果进行归一化：
96	$$	98	$$
97	\text{logit\_sortProb} =	99	\text{logit\_sortProb} =
	@@ -172,6 +174,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
172	min_ps[b]≥1时，每个batch仅取1个最大token，其余位置填充defLogit。	174	min_ps[b]≥1时，每个batch仅取1个最大token，其余位置填充defLogit。
173		175
174	可选输出	176	可选输出
		177	+
175	* 如果入参属性IsNeedLogits=True，则使用topK-topP-minP联合采样后的logitsIndexMasked，进行`logits_top_kp_select`输出。	178	* 如果入参属性IsNeedLogits=True，则使用topK-topP-minP联合采样后的logitsIndexMasked，进行`logits_top_kp_select`输出。
176	$$	179	$$
177	\text{logitsIndex}[b][v] = \text{Index}(\text{logitsSortMasked}[b][v] \in \text{Logits})	180	\text{logitsIndex}[b][v] = \text{Index}(\text{logitsSortMasked}[b][v] \in \text{Logits})
	@@ -190,6 +193,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
190	$$	193	$$
191		194
192	后继处理	195	后继处理
		196	+
193	* 此阶段输入为前序对前序topK-topP-minP采样的联合结果logitsSortMasked。	197	* 此阶段输入为前序对前序topK-topP-minP采样的联合结果logitsSortMasked。
194	* 此处输入须要确保logitsSortMasked∈(0,1)，根据输入Logits的实际情况，配置入参约束属性inputIsLogits，即：	198	* 此处输入须要确保logitsSortMasked∈(0,1)，根据输入Logits的实际情况，配置入参约束属性inputIsLogits，即：
195	$$	199	$$

Mindex/top_k_top_p_sample_v2/docs/aclnnTopKTopPSampleV2.md+4-0

	@@ -64,6 +64,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
64	v = 8 * \text{ks\_max}	64	v = 8 * \text{ks\_max}
65	$$	65	$$
66	ks_max有效取值范围[1,1024]，默认为1024，并且需要向上对齐到8的整数倍。	66	ks_max有效取值范围[1,1024]，默认为1024，并且需要向上对齐到8的整数倍。
		67	+
67	* 生成需要过滤的mask	68	* 生成需要过滤的mask
68		69
69	$$	70	$$
	@@ -94,6 +95,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
94	$$	95	$$
95		96
96	TopP采样	97	TopP采样
		98	+
97	* 根据入参约束属性inputIsLogits，如果该属性为True，则对排序后结果进行归一化：	99	* 根据入参约束属性inputIsLogits，如果该属性为True，则对排序后结果进行归一化：
98	$$	100	$$
99	\text{logit\_sortProb} =	101	\text{logit\_sortProb} =
	@@ -174,6 +176,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
174	min_ps[b]≥1时，每个batch仅取1个最大token，其余位置填充defLogit。	176	min_ps[b]≥1时，每个batch仅取1个最大token，其余位置填充defLogit。
175		177
176	可选输出	178	可选输出
		179	+
177	* 如果入参属性IsNeedLogits=True，则使用topK-topP-minP联合采样后的logitsIndexMasked，进行`logits_top_kp_select`输出。	180	* 如果入参属性IsNeedLogits=True，则使用topK-topP-minP联合采样后的logitsIndexMasked，进行`logits_top_kp_select`输出。
178	$$	181	$$
179	\text{logitsIndex}[b][v] = \text{Index}(\text{logitsSortMasked}[b][v] \in \text{Logits})	182	\text{logitsIndex}[b][v] = \text{Index}(\text{logitsSortMasked}[b][v] \in \text{Logits})
	@@ -192,6 +195,7 @@ logits中的每一行logits[batch][:]根据相应的topK[batch]、topP[batch]、
192	$$	195	$$
193		196
194	后继处理	197	后继处理
		198	+
195	* 此阶段输入为前序对前序topK-topP-minP采样的联合结果logitsSortMasked。	199	* 此阶段输入为前序对前序topK-topP-minP采样的联合结果logitsSortMasked。
196	* 此处输入需要确保logitsSortMasked∈(0,1)，根据输入Logits的实际情况，配置入参约束属性inputIsLogits，即：	200	* 此处输入需要确保logitsSortMasked∈(0,1)，根据输入Logits的实际情况，配置入参约束属性inputIsLogits，即：
197	$$	201	$$

Mindex/unique_with_counts_ext2/docs/aclnnUniqueDim.md+2-0

	@@ -205,6 +205,8 @@ aclnnStatus aclnnUniqueDim(
205	- 返回值	205	- 返回值
206		206
207	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。	207	aclnnStatus：返回状态码，具体参见[aclnn返回码](../../../docs/zh/context/aclnn返回码.md)。
		208	+
		209	+ ```text
208	第一段接口完成入参校验，出现以下场景时报错：	210	第一段接口完成入参校验，出现以下场景时报错：
209		211
210	<table style="undefined;table-layout: fixed; width: 1035px"><colgroup>	212	<table style="undefined;table-layout: fixed; width: 1035px"><colgroup>

Mloss/ctc_loss_v3_grad/README.md+1-1

	@@ -125,7 +125,7 @@
125	* input_lengths的元素数量必须为N，值为[0, T]。	125	* input_lengths的元素数量必须为N，值为[0, T]。
126	* target_lengths的元素数量必须为N，值为[1, S]。	126	* target_lengths的元素数量必须为N，值为[1, S]。
127	* neg_log_likelihood的shape必须为1维(N)。	127	* neg_log_likelihood的shape必须为1维(N)。
128	-* log_alpha的shape必须为3维(N, T, X)，其中X=((2 * S + 1) + 7) / 8 * 8。	128	+* log_alpha的shape必须为3维(N, T, X)，其中X=((2S + 1) + 7) / 88。
129	* blank的值域为[0, C - 1]。	129	* blank的值域为[0, C - 1]。
130	* reduction的取值范围为{'none', 'mean', 'sum'}。	130	* reduction的取值范围为{'none', 'mean', 'sum'}。
131		131

Mloss/smooth_l1_loss_v2/README.md+1-0

	@@ -39,6 +39,7 @@
39	sum(L), & \text{if reduction} = \text{sum}	39	sum(L), & \text{if reduction} = \text{sum}
40	\end{cases}	40	\end{cases}
41	$$	41	$$
		42	+
42	- 其中：	43	- 其中：
43	- Xn: predictions	44	- Xn: predictions
44	- Yn: labels/truth	45	- Yn: labels/truth

Mmatmul/batch_matmul_quant/docs/aclnnBatchMatmulQuant.md+1-1

	@@ -107,7 +107,7 @@ aclnnStatus aclnnBatchMatmulQuant(
107	<td>quantParam</td>	107	<td>quantParam</td>
108	<td>输入</td>	108	<td>输入</td>
109	<td>硬件完成量化计算的量化参数。</td>	109	<td>硬件完成量化计算的量化参数。</td>
110	- <td>可以通过 <a href="../../quant/trans_quant_param/docs/aclnnTransQuantParam.md">aclnnTransQuantParam</a> 接口获取。shape的大小（即元素个数）需要满足以下场景中任意一种:<ul><li>shape的大小为1。</li>	110	+ <td>可以通过 <a href="../../../quant/trans_quant_param/docs/aclnnTransQuantParam.md">aclnnTransQuantParam</a> 接口获取。shape的大小（即元素个数）需要满足以下场景中任意一种:<ul><li>shape的大小为1。</li>
111	<li>shape的大小等于输出tensor(out)最后一个维度的大小向上对齐到16的倍数。</li></ul></td>	111	<li>shape的大小等于输出tensor(out)最后一个维度的大小向上对齐到16的倍数。</li></ul></td>
112	<td>UINT64</td>	112	<td>UINT64</td>
113	<td>NC1HWC0</td>	113	<td>NC1HWC0</td>

Mmatmul/fused_linear_online_max_sum/README.md+3-10

	@@ -20,31 +20,26 @@
20	$$	20	$$
21	vocab\_parallel\_logits\_out = input @ weight^T	21	vocab\_parallel\_logits\_out = input @ weight^T
22	$$	22	$$
23	-	23	+ 2. 计算$vocab\_parallel\_logits\_out$每行的最大值：
24	- 2. 计算$vocab\_parallel\_logits\_out$每行的最大值：
25		24
26	$$	25	$$
27	logits\_max\_local = max(vocab\_parallel\_logits\_out, dim=-1)	26	logits\_max\_local = max(vocab\_parallel\_logits\_out, dim=-1)
28	$$	27	$$
29	-	28	+ 3. 计算$vocab\_parallel\_logits\_out$与$logits\_max\_local$的差值：
30	- 3. 计算$vocab\_parallel\_logits\_out$与$logits\_max\_local$的差值：
31		29
32	$$	30	$$
33	sub\_res[b][n] = vocab\_parallel\_logits\_out[b][n] - logits\_max\_local[b]	31	sub\_res[b][n] = vocab\_parallel\_logits\_out[b][n] - logits\_max\_local[b]
34	$$	32	$$
35	-	33	+ 4. 计算$sub\_res$经过指数运算后每行的和
36	- 4. 计算$sub\_res$经过指数运算后每行的和
37		34
38	$$	35	$$
39	sum\_exp\_logits\_local = sum(exp(sub\_res), dim=-1)	36	sum\_exp\_logits\_local = sum(exp(sub\_res), dim=-1)
40	$$	37	$$
41	-
42	5. 计算$target$小于$vocab\_start\_index$或$target$大于$vocab\_end\_index$的mask	38	5. 计算$target$小于$vocab\_start\_index$或$target$大于$vocab\_end\_index$的mask
43		39
44	$$	40	$$
45	target\_mask = (target < vocab\_start\_index) \| (target > vocab\_end\_index)	41	target\_mask = (target < vocab\_start\_index) \| (target > vocab\_end\_index)
46	$$	42	$$
47	-
48	6. 计算$masked\_target$	43	6. 计算$masked\_target$
49		44
50	$$	45	$$
	@@ -54,7 +49,6 @@
54	target[b] - vocab\_start\_index & \text{target\_mask[b]=false}	49	target[b] - vocab\_start\_index & \text{target\_mask[b]=false}
55	\end{cases}	50	\end{cases}
56	$$	51	$$
57	-
58	7. 计算$predicted\_logits\_local$	52	7. 计算$predicted\_logits\_local$
59		53
60	$$	54	$$
	@@ -64,7 +58,6 @@
64	sub\_res[b][masked\_target[b]] & \text{target\_mask[b]=false}	58	sub\_res[b][masked\_target[b]] & \text{target\_mask[b]=false}
65	\end{cases}	59	\end{cases}
66	$$	60	$$
67	-
68	8. 计算$target\_mask$	61	8. 计算$target\_mask$
69		62
70	$$	63	$$

Mmatmul/fused_linear_online_max_sum/docs/aclnnFusedLinearOnlineMaxSum.md+0-7

	@@ -24,31 +24,26 @@
24	$$	24	$$
25	vocabParallelLogitsOutOptional = input @ weight^T	25	vocabParallelLogitsOutOptional = input @ weight^T
26	$$	26	$$
27	-
28	2. 计算$vocabParallelLogitsOutOptional$每行的最大值：	27	2. 计算$vocabParallelLogitsOutOptional$每行的最大值：
29		28
30	$$	29	$$
31	logitsMaxLocalOut = max(vocabParallelLogitsOutOptional, dim=-1)	30	logitsMaxLocalOut = max(vocabParallelLogitsOutOptional, dim=-1)
32	$$	31	$$
33	-
34	3. 计算$vocabParallelLogitsOutOptional$与$logitsMaxLocalOut$的差值：	32	3. 计算$vocabParallelLogitsOutOptional$与$logitsMaxLocalOut$的差值：
35		33
36	$$	34	$$
37	subRes[b][n] = vocabParallelLogitsOutOptional[b][n] - logitsMaxLocalOut[b]	35	subRes[b][n] = vocabParallelLogitsOutOptional[b][n] - logitsMaxLocalOut[b]
38	$$	36	$$
39	-
40	4. 计算$subRes$经过指数运算后每行的和	37	4. 计算$subRes$经过指数运算后每行的和
41		38
42	$$	39	$$
43	sumExpLogitsLocalOut = sum(exp(subRes), dim=-1)	40	sumExpLogitsLocalOut = sum(exp(subRes), dim=-1)
44	$$	41	$$
45	-
46	5. 计算$target$小于$vocabStartIndex$或$target$大于$vocabEndIndex$的mask	42	5. 计算$target$小于$vocabStartIndex$或$target$大于$vocabEndIndex$的mask
47		43
48	$$	44	$$
49	targetMask = (target < vocabStartIndex) \| (target > vocabEndIndex)	45	targetMask = (target < vocabStartIndex) \| (target > vocabEndIndex)
50	$$	46	$$
51	-
52	6. 计算$maskedTargetOut$	47	6. 计算$maskedTargetOut$
53		48
54	$$	49	$$
	@@ -58,7 +53,6 @@
58	target[b] - vocabStartIndex & \text{targetMask[b]=false}	53	target[b] - vocabStartIndex & \text{targetMask[b]=false}
59	\end{cases}	54	\end{cases}
60	$$	55	$$
61	-
62	7. 计算$predictedLogitsLocalOut$	56	7. 计算$predictedLogitsLocalOut$
63		57
64	$$	58	$$
	@@ -68,7 +62,6 @@
68	subRes[b][maskedTargetOut[b]] & \text{targetMask[b]=false}	62	subRes[b][maskedTargetOut[b]] & \text{targetMask[b]=false}
69	\end{cases}	63	\end{cases}
70	$$	64	$$
71	-
72	8. 计算$targetMaskOut$	65	8. 计算$targetMaskOut$
73		66
74	$$	67	$$

Mmatmul/mv/docs/aclnnMv.md+1-1

	@@ -24,7 +24,7 @@
24		24
25	- 示例：	25	- 示例：
26		26
27	- ```	27	+ ```text
28	a = tensor([[1, 2, 3],	28	a = tensor([[1, 2, 3],
29	[4, 5, 6]],dtype=float)	29	[4, 5, 6]],dtype=float)
30	b = tensor([1, 1, 1], dtype=float)	30	b = tensor([1, 1, 1], dtype=float)

Mmatmul/quant_batch_matmul_v3/docs/aclnnQuantMatmulWeightNz.md+1-1

	@@ -491,7 +491,7 @@ aclnnStatus aclnnQuantMatmulWeightNz(
491	\| INT8 \| INT32 \| UINT64 \| FLOAT32 \| null \| FLOAT32 \| null \| FLOAT16/BFLOAT16 \|	491	\| INT8 \| INT32 \| UINT64 \| FLOAT32 \| null \| FLOAT32 \| null \| FLOAT16/BFLOAT16 \|
492		492
493	- x1的约束：当数据类型为INT8时，且x2的数据类型为INT32时，transposeX1为false。维度为：（m，k），要求k为偶数，并小于29576。	493	- x1的约束：当数据类型为INT8时，且x2的数据类型为INT32时，transposeX1为false。维度为：（m，k），要求k为偶数，并小于29576。
494	- - yOffset的约束：shape支持1维（n）。为计算过程中离线计算的辅助结果，值要求为8 * x2 * x2Scale，并在第1维累加。	494	+ - yOffset的约束：shape支持1维（n）。为计算过程中离线计算的辅助结果，值要求为8 x2 x2Scale，并在第1维累加。
495		495
496	</details>	496	</details>
497		497

Mmatmul/quant_batch_matmul_v4/docs/aclnnQuantMatmulV5.md+1-1

	@@ -692,7 +692,7 @@ aclnnStatus aclnnQuantMatmulV5(
692	- 数据格式支持ND。shape支持1维（n，）或3维（batch，1，n），n与x2的n一致。	692	- 数据格式支持ND。shape支持1维（n，）或3维（batch，1，n），n与x2的n一致。
693	- 当x1和x2为INT32、INT4时，bias的shape只支持1维（n，）。	693	- 当x1和x2为INT32、INT4时，bias的shape只支持1维（n，）。
694	- 当out的shape为2、4、5、6维时，bias的shape只支持1维（n，）。	694	- 当out的shape为2、4、5、6维时，bias的shape只支持1维（n，）。
695	- - yOffset的约束：shape支持1维（n）。为计算过程中离线计算的辅助结果，值要求为8 * x2 * x2Scale，并在第1维累加。	695	+ - yOffset的约束：shape支持1维（n）。为计算过程中离线计算的辅助结果，值要求为8 x2 x2Scale，并在第1维累加。
696		696
697	</details>	697	</details>
698		698

Mmatmul/quant_matmul_dequant/docs/aclnnQuantMatmulDequant.md+1-0

	@@ -34,6 +34,7 @@
34	$$	34	$$
35		35
36	4.矩阵乘+反量化	36	4.矩阵乘+反量化
		37	+
37	- 4.1 若输入的$scale_{weight}$数据类型为FLOAT32, 则：	38	- 4.1 若输入的$scale_{weight}$数据类型为FLOAT32, 则：
38		39
39	$$	40	$$

Mnorm/add_layer_norm/README.md+1-0

	@@ -39,6 +39,7 @@
39	$$	39	$$
40		40
41	D为x中参加均值计算的数量。	41	D为x中参加均值计算的数量。
		42	+
42	- $Var(x)$：	43	- $Var(x)$：
43	$$	44	$$
44	Var(x) = E(x-{\bar{x}})^2	45	Var(x) = E(x-{\bar{x}})^2

Mnorm/add_rms_norm_quant_v2/docs/aclnnAddRmsNormQuantV2.md+1-0

	@@ -40,6 +40,7 @@
40	$$	40	$$
41	y2Out=round((y/scales2)+zeroPoints2Optional)	41	y2Out=round((y/scales2)+zeroPoints2Optional)
42	$$	42	$$
		43	+
43	- divMode为False时：	44	- divMode为False时：
44		45
45	$$	46	$$

Mnorm/rms_norm_quant_v2/README.md+1-0

	@@ -30,6 +30,7 @@
30	$$	30	$$
31	y2=round((y/scales2)+zero\_points2)	31	y2=round((y/scales2)+zero\_points2)
32	$$	32	$$
		33	+
33	- divMode为False时：	34	- divMode为False时：
34		35
35	$$	36	$$

Mpooling/max_pool3d_grad_with_argmax/docs/aclnnMaxPool3dWithArgmaxBackward.md+1-1

	@@ -181,7 +181,7 @@ aclnnStatus aclnnMaxPool3dWithArgmaxBackward(
181	</tr>	181	</tr>
182	</tbody></table>	182	</tbody></table>
183		183
184	- - <term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>、<term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>：`indices` 数据类型不支持INT64。depth * height * width 不支持大于 max int32。	184	+ - <term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>、<term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>：`indices` 数据类型不支持INT64。depth height width 不支持大于 max int32。
185		185
186	- 返回值：	186	- 返回值：
187		187

Mpooling/max_pool3d_with_argmax_v2/README.md+2-0

	@@ -23,11 +23,13 @@
23	$$	23	$$
24	out(N_i, C_j, d, h, w) = \max\limits_{{k\in[0,k_{D}-1],m\in[0,k_{H}-1],n\in[0,k_{W}-1]}}input(N_i,C_j,stride[0]\times d + k, stride[1]\times h + m, stride[2]\times w + n)	24	out(N_i, C_j, d, h, w) = \max\limits_{{k\in[0,k_{D}-1],m\in[0,k_{H}-1],n\in[0,k_{W}-1]}}input(N_i,C_j,stride[0]\times d + k, stride[1]\times h + m, stride[2]\times w + n)
25	$$	25	$$
		26	+
26	* out tensor的shape推导公式 (默认ceilMode=false，即向下取整)：	27	* out tensor的shape推导公式 (默认ceilMode=false，即向下取整)：
27		28
28	$$	29	$$
29	[N, C, D_{out}, H_{out}, W_{out}]=[N,C,\lfloor{\frac{D_{in}+2 \times {padding[0] - dilation[0] \times(kernelSize[0] - 1) - 1}}{stride[0]}}\rfloor + 1,\lfloor{\frac{H_{in}+2 \times {padding[1] - dilation[1] \times(kernelSize[1] - 1) - 1}}{stride[1]}}\rfloor + 1, \lfloor{\frac{W_{in}+2 \times {padding[2] - dilation[2] \times(kernelSize[2] - 1) - 1}}{stride[2]}}\rfloor + 1]	30	[N, C, D_{out}, H_{out}, W_{out}]=[N,C,\lfloor{\frac{D_{in}+2 \times {padding[0] - dilation[0] \times(kernelSize[0] - 1) - 1}}{stride[0]}}\rfloor + 1,\lfloor{\frac{H_{in}+2 \times {padding[1] - dilation[1] \times(kernelSize[1] - 1) - 1}}{stride[1]}}\rfloor + 1, \lfloor{\frac{W_{in}+2 \times {padding[2] - dilation[2] \times(kernelSize[2] - 1) - 1}}{stride[2]}}\rfloor + 1]
30	$$	31	$$
		32	+
31	* out tensor的shape推导公式 (默认ceilMode=true，即向上取整)：	33	* out tensor的shape推导公式 (默认ceilMode=true，即向上取整)：
32		34
33	$$	35	$$

Mpooling/max_pool3d_with_argmax_v2/docs/aclnnMaxPool3dWithArgmax.md+3-2

	@@ -18,7 +18,8 @@
18	* 算子功能：	18	* 算子功能：
19	* 对于输入信号的输入通道，提供3维最大池化（Max pooling）操作，输出池化后的值out和索引indices。	19	* 对于输入信号的输入通道，提供3维最大池化（Max pooling）操作，输出池化后的值out和索引indices。
20	* 输入dims的描述：N - 批次，C - 通道，D - 深度，W - 宽度，H - 高度。	20	* 输入dims的描述：N - 批次，C - 通道，D - 深度，W - 宽度，H - 高度。
21	- * 当D * H * W超过int32时，建议在模型尺寸上分割D轴。	21	+ * 当D H W超过int32时，建议在模型尺寸上分割D轴。
		22	+
22	* 计算公式：	23	* 计算公式：
23		24
24	* output tensor中每个元素的计算公式：	25	* output tensor中每个元素的计算公式：
	@@ -196,7 +197,7 @@ aclnnStatus aclnnMaxPool3dWithArgmax(
196	</tr>	197	</tr>
197	</tbody></table>	198	</tbody></table>
198		199
199	- - <term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>、<term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>：`dilation` 元素值仅支持为1；`indices` 数据类型不支持INT64。输入数据排布不支持NDHWC。depth * height * width 不支持大于 max int32。	200	+ - <term>Atlas A3 训练系列产品/Atlas A3 推理系列产品</term>、<term>Atlas A2 训练系列产品/Atlas A2 推理系列产品</term>：`dilation` 元素值仅支持为1；`indices` 数据类型不支持INT64。输入数据排布不支持NDHWC。depthheightwidth 不支持大于 max int32。
200		201
201	* 返回值：	202	* 返回值：
202		203

Mquant/dynamic_quant_v2/README.md+1-0

	@@ -77,6 +77,7 @@
77	$$	77	$$
78		78
79	其中：	79	其中：
		80	+
80	- row_max代表每行求最大值。	81	- row_max代表每行求最大值。
81	- row_min代表每行求最小值。	82	- row_min代表每行求最小值。
82	- 当输出y类型为INT8时，scale_opt为255.0，offset_opt为127.0。	83	- 当输出y类型为INT8时，scale_opt为255.0，offset_opt为127.0。

Mquant/trans_quant_param/docs/aclnnTransQuantParam.md+0-1

	@@ -24,7 +24,6 @@
24	$$	24	$$
25	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)	25	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)
26	$$	26	$$
27	-
28	3. 根据`offset`取值进行后续计算：	27	3. 根据`offset`取值进行后续计算：
29	- 若`offset`不存在，不再进行后续计算。	28	- 若`offset`不存在，不再进行后续计算。
30	- 若`offset`存在：	29	- 若`offset`存在：

Mquant/trans_quant_param_v2/README.md+1-2

	@@ -26,14 +26,13 @@
26	$$	26	$$
27	scale = Round(scale)	27	scale = Round(scale)
28	$$	28	$$
29	-
30	3. `scale`按bit位取高19位截断，存储于`out`的bit位32位处，并将46位修改为1。	29	3. `scale`按bit位取高19位截断，存储于`out`的bit位32位处，并将46位修改为1。
31		30
32	$$	31	$$
33	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)	32	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)
34	$$	33	$$
35	-
36	4. 根据`offset`取值进行后续计算：	34	4. 根据`offset`取值进行后续计算：
		35	+
37	- 若`offset`不存在，不再进行后续计算。	36	- 若`offset`不存在，不再进行后续计算。
38	- 若`offset`存在：	37	- 若`offset`存在：
39	1. 将`offset`值处理为int，范围为[-256, 255]。	38	1. 将`offset`值处理为int，范围为[-256, 255]。

Mquant/trans_quant_param_v2/docs/aclnnTransQuantParamV2.md+1-1

	@@ -24,8 +24,8 @@
24	$$	24	$$
25	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)	25	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)
26	$$	26	$$
27	-
28	3. 根据`offset`取值进行后续计算：	27	3. 根据`offset`取值进行后续计算：
		28	+
29	- 若`offset`不存在，不再进行后续计算。	29	- 若`offset`不存在，不再进行后续计算。
30	- 若`offset`存在：	30	- 若`offset`存在：
31	1. 将`offset`值处理为int，范围为[-256, 255]。	31	1. 将`offset`值处理为int，范围为[-256, 255]。

Mquant/trans_quant_param_v2/docs/aclnnTransQuantParamV3.md+0-2

	@@ -25,13 +25,11 @@
25	$$	25	$$
26	scale = Round(scale)	26	scale = Round(scale)
27	$$	27	$$
28	-
29	3. `scale`按bit位取高19位截断，存储于`out`的bit位32位处，并将46位修改为1。	28	3. `scale`按bit位取高19位截断，存储于`out`的bit位32位处，并将46位修改为1。
30		29
31	$$	30	$$
32	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)	31	out = out\ \|\ (scale\ \&\ 0xFFFFE000)\ \|\ (1\ll46)
33	$$	32	$$
34	-
35	4. 根据`offset`取值进行后续计算：	33	4. 根据`offset`取值进行后续计算：
36	- 若`offset`不存在，不再进行后续计算。	34	- 若`offset`不存在，不再进行后续计算。
37	- 若`offset`存在：	35	- 若`offset`存在：