Star920
1838
代码
代码
Issues225
Pull Requests327
Actions
项目讨论
Wiki
分析
Star920
1838
已合并
AIDD扫描语义问题修改 #9352
yanglu-1创建于 11 天前
AIDD扫描语义问题修改 #9352
已合并
yanglu-1创建于 11 天前
从yanglu-1/ops-nn_8593master合入到cann/ops-nnmaster
共 16 个文件变更+17-17
Mactivation/glu/docs/aclnnGlu.md+1-1
@@ -105,7 +105,7 @@ aclnnStatus aclnnGlu(
105 <td>out（aclTensor*）</td>105 <td>out（aclTensor*）</td>
106 <td>输出</td>106 <td>输出</td>
107 <td>计算出参。</td>107 <td>计算出参。</td>
108- <td>数据类型必须可以由self cast得到，shape为(*_1,M,*_2)，其中*表示self中对应维度，M = N /2。</td>108+ <td>数据类型必须可以由self cast得到，shape为(*_1,M,*_2)，其中*表示self中对应维度的大小，M = N /2。</td>
109 <td>DOUBLE、FLOAT、FLOAT16、BFLOAT16</td>109 <td>DOUBLE、FLOAT、FLOAT16、BFLOAT16</td>
110 <td>ND</td>110 <td>ND</td>
111 <td>1-8</td>111 <td>1-8</td>
Mexperimental/loss/mse_loss_grad/docs/aclnnMseLossGrad.md+1-1
@@ -118,7 +118,7 @@ aclnnStatus aclnnMseLossGrad(
118 <td class="tg-0pky">out(aclTensor*)</td>118 <td class="tg-0pky">out(aclTensor*)</td>
119 <td class="tg-0pky">输出</td>119 <td class="tg-0pky">输出</td>
120 <td class="tg-0pky">输出的损失，公式中的输出`MselossBackward(grad, x, y)`。</td>120 <td class="tg-0pky">输出的损失，公式中的输出`MselossBackward(grad, x, y)`。</td>
121- <td class="tg-0pky">out与gradOutput、self、target <a href="../../../../docs/zh/context/broadcast_relationship.md" target="_blank">broadcast</a>之后的tensor的shape一致。<br>数据类型时self可推导的数据类型（参见<a href="../../../../docs/zh/context/conversion_relationship.md" target="_blank">互转换关系</a>）。</td>121+ <td class="tg-0pky">out与gradOutput、self、target <a href="../../../../docs/zh/context/broadcast_relationship.md" target="_blank">broadcast</a>之后的tensor的shape一致。<br>数据类型为self时可推导的数据类型（参见<a href="../../../../docs/zh/context/conversion_relationship.md" target="_blank">互转换关系</a>）。</td>
122 <td class="tg-0pky">FLOAT、FLOAT16、BFLOAT16</td>122 <td class="tg-0pky">FLOAT、FLOAT16、BFLOAT16</td>
123 <td class="tg-0pky">ND</td>123 <td class="tg-0pky">ND</td>
124 <td class="tg-0pky">1-8</td>124 <td class="tg-0pky">1-8</td>
Mmatmul/batch_mat_mul_v3/docs/aclnnBatchMatMulWeightNz.md+2-2
@@ -97,8 +97,8 @@ aclnnStatus aclnnBatchMatMulWeightNz(
97 <td>输入</td>97 <td>输入</td>
98 <td>表示矩阵乘的第二个矩阵，公式中的mat2。</td>98 <td>表示矩阵乘的第二个矩阵，公式中的mat2。</td>
99 <td><ul><li>数据类型需要与self满足数据类型推导规则（参见<a href="../../../docs/zh/context/deduction_relationship.md">互推导关系</a>和<a href="#约束说明">约束说明</a>）。</li><li>mat2的Reduce维度需要与self的Reduce维度大小相等。</li>99 <td><ul><li>数据类型需要与self满足数据类型推导规则（参见<a href="../../../docs/zh/context/deduction_relationship.md">互推导关系</a>和<a href="#约束说明">约束说明</a>）。</li><li>mat2的Reduce维度需要与self的Reduce维度大小相等。</li>
100- <li>当B矩阵不转置时， NZ格式各个维度表示：（b, n1，k1，k0，n0），其中k0 = 16， n0为16。self shape中的k和mat2 shape中的k1需要满足以下关系：ceil（k，k0） = k1，mat2 shape中的n1与out的n满足以下关系: ceil(n, n0) = n1。</li>100+ <li>当B矩阵不转置时， NZ格式各个维度表示：（b, n1，k1，k0，n0），其中k0 = 16， n0为16。self shape中的k和mat2 shape中的k1需要满足以下关系：ceil(k, k0) = k1，mat2 shape中的n1与out的n满足以下关系: ceil(n, n0) = n1。</li>
101- <li>当B矩阵转置时， NZ格式各个维度表示：（b, k1，n1，n0，k0），其中n0 = 16， k0为16。self shape中的k和mat2 shape中的k1需要满足以下关系：ceil（k，k0） = k1，mat2 shape中的n1与out的n满足以下关系: ceil(n, n0) = n1。</li>101+ <li>当B矩阵转置时， NZ格式各个维度表示：（b, k1，n1，n0，k0），其中n0 = 16， k0为16。self shape中的k和mat2 shape中的k1需要满足以下关系：ceil(k, k0) = k1，mat2 shape中的n1与out的n满足以下关系: ceil(n, n0) = n1。</li>
102 <li>mat2的第一个维度b需要与self第一个维度b满足<a href="../../../docs/zh/context/broadcast_relationship.md">broadcast关系</a>。</li>102 <li>mat2的第一个维度b需要与self第一个维度b满足<a href="../../../docs/zh/context/broadcast_relationship.md">broadcast关系</a>。</li>
103 </ul></td>103 </ul></td>
104 <td>BFLOAT16、FLOAT16</td>104 <td>BFLOAT16、FLOAT16</td>
Mmatmul/mat_mul_v3/docs/aclnnAddmm&aclnnInplaceAddmm.md+1-1
@@ -563,7 +563,7 @@ aclnnStatus aclnnInplaceAddmm(
563 563 
564 <!-- npu="910,310p" id16 -->564 <!-- npu="910,310p" id16 -->
565 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：565 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：
566- - 当开启强一致性计算功能时，计算结果时确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。566+ - 当开启强一致性计算功能时，计算结果是确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。
567 - aclnnAddmm&aclnnInplaceAddmm默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。567 - aclnnAddmm&aclnnInplaceAddmm默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。
568 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。568 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。
569 569 
Mmatmul/mat_mul_v3/docs/aclnnAddmmWeightNz.md+1-1
@@ -314,7 +314,7 @@ aclnnStatus aclnnAddmmWeightNz(
314 314 
315 <!-- npu="910,310p" id11 -->315 <!-- npu="910,310p" id11 -->
316 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：316 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：
317- - 当开启强一致性计算功能时，计算结果时确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。317+ - 当开启强一致性计算功能时，计算结果是确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。
318 - aclnnAddmmWeightNz默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。318 - aclnnAddmmWeightNz默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。
319 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。319 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。
320 320 
Mmatmul/mat_mul_v3/docs/aclnnMatmul.md+1-1
@@ -269,7 +269,7 @@ aclnnStatus aclnnMatmul(
269 269 
270 <!-- npu="910,310p" id12 -->270 <!-- npu="910,310p" id12 -->
271 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：271 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：
272- - 当开启强一致性计算功能时，计算结果时确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。272+ - 当开启强一致性计算功能时，计算结果是确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。
273 - aclnnMatmul默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。273 - aclnnMatmul默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。
274 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。274 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。
275 275 
Mmatmul/mat_mul_v3/docs/aclnnMatmulWeightNz.md+1-1
@@ -267,7 +267,7 @@ aclnnStatus aclnnMatmulWeightNz(
267 267 
268 <!-- npu="910,310p" id11 -->268 <!-- npu="910,310p" id11 -->
269 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：269 - <term>Atlas 训练系列产品</term>、<term>Atlas 推理系列产品</term>：
270- - 当开启强一致性计算功能时，计算结果时确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。270+ - 当开启强一致性计算功能时，计算结果是确定的，多次执行将产生相同的输出。此外，计算结果与数据的位置无关。
271 - aclnnMatmulWeightNz默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。271 - aclnnMatmulWeightNz默认非一致性实现，支持通过aclrtCtxSetSysParamOpt开启一致性。
272 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。272 - 例如，在进行矩阵乘时，不同基本块的累加顺序可能不同，这可能会导致相同数据在不同行的计算结果出现细微差异。然而，在开启强一致性计算的情况下，即使在不同的行中，只要输入相同，计算结果也将相同。
273 273 
Mmatmul/transpose_batch_mat_mul/docs/aclnnTransposeBatchMatMul.md+1-1
@@ -23,7 +23,7 @@
23 23 
24## 功能说明24## 功能说明
25 25 
26-- 接口功能：完成张量x1与张量x2的矩阵乘计算。仅支持三维的Tensor传入。Tensor支持转置，转置序列根据传入的数列进行变更。permX1代表张量x1的转置序列，permX2代表张量x2的转置序列，序列值为0的是batch维度，其余两个维度做矩阵乘法。26+- 接口功能：完成张量x1与张量x2的矩阵乘计算。仅支持三维的Tensor传入。Tensor支持转置，转置序列根据传入的数组进行变更。permX1代表张量x1的转置序列，permX2代表张量x2的转置序列，序列值为0的是batch维度，其余两个维度做矩阵乘法。
27 27 
28- 示例：28- 示例：
29 - x1的shape是(B, M, K)，x2的shape是(B, K, N)，scale为None，batchSplitFactor等于1时，计算输出out的shape是(M, B, N)。29 - x1的shape是(B, M, K)，x2的shape是(B, K, N)，scale为None，batchSplitFactor等于1时，计算输出out的shape是(M, B, N)。
Mmatmul/transpose_batch_mat_mul/docs/aclnnTransposeBatchMatMulWeightNZ.md+1-1
@@ -140,7 +140,7 @@ aclnnStatus aclnnTransposeBatchMatMulWeightNz(
140 <td>表示输出矩阵的量化系数，可在输入为FLOAT16且输出为INT8时开启。</td>140 <td>表示输出矩阵的量化系数，可在输入为FLOAT16且输出为INT8时开启。</td>
141 <td>141 <td>
142 <ul>142 <ul>
143- <li>shape仅支持一维且需要满足且等于[b*n]。</li>143+ <li>shape仅支持一维且需要等于[b*n]。</li>
144 </ul>144 </ul>
145 </td>145 </td>
146 <td>INT64、UINT64</td>146 <td>INT64、UINT64</td>
Mmatmul/weight_quant_batch_matmul_v2/docs/aclnnWeightQuantBatchMatmulV3.md+1-1
@@ -191,7 +191,7 @@ aclnnStatus aclnnWeightQuantBatchMatmulV3(
191 <tr>191 <tr>
192 <td>antiquantGroupSize</td>192 <td>antiquantGroupSize</td>
193 <td>输入</td>193 <td>输入</td>
194- <td>表示伪量化per_group算法模式下，对输入`weight`进行反量化计算的groupSize输入，描述一组反量化参数对应的待反量化数据量在Reduce方向的大小。当伪量化算法模式不为per_group时传入0；当伪量化算法模式为per_group时传入值的范围为[32, k-1]且值要求是32的倍数。</td>194+ <td>表示伪量化per_group算法模式下，对输入`weight`进行反量化计算的groupSize，描述一组反量化参数对应的待反量化数据量在Reduce方向的大小。当伪量化算法模式不为per_group时传入0；当伪量化算法模式为per_group时传入值的范围为[32, k-1]且值要求是32的倍数。</td>
195 <td>-</td>195 <td>-</td>
196 <td>INT</td>196 <td>INT</td>
197 <td>-</td>197 <td>-</td>
Mnorm/batch_norm_v3/docs/aclnnBatchNorm.md+1-1
@@ -25,7 +25,7 @@
25 25 
26## 功能说明26## 功能说明
27 27 
28-- 接口功能：对一个批次的数据做批量归一化处理，正则化之后生成的数据的统计结果为0均值、1标准差。28+- 接口功能：对一个批次的数据做批量归一化处理，计算之后生成的数据的统计结果为0均值、1标准差。
29 29 
30- 计算公式：30- 计算公式：
31 31 
Mnorm/lp_norm_v2/docs/aclnnLinalgVectorNorm.md+1-1
@@ -26,7 +26,7 @@
26## 功能说明26## 功能说明
27 27 
28- 接口功能：计算输入张量的向量范数。28- 接口功能：计算输入张量的向量范数。
29-- 计算公式：计算公式中n为dims参数指定的维度的size。29+- 计算公式：公式中n为dims参数指定的维度的size。
30 30 
31$$31$$
32out=(\sum_{i=1}^{n}|self_{i}|^{ord})^{1/ord}32out=(\sum_{i=1}^{n}|self_{i}|^{ord})^{1/ord}
Mnorm/rms_norm/docs/aclnnRmsNorm.md+1-1
@@ -125,7 +125,7 @@ aclnnStatus aclnnRmsNorm(
125 <td>rstdOut（aclTensor*）</td>125 <td>rstdOut（aclTensor*）</td>
126 <td>输出</td>126 <td>输出</td>
127 <td>表示归一化后的均方根（RMS）倒数，用于归一化操作，对应公式中的`Rms(x)`的倒数。</td>127 <td>表示归一化后的均方根（RMS）倒数，用于归一化操作，对应公式中的`Rms(x)`的倒数。</td>
128- <td><ul><li>支持空Tensor。</li><li>维度数与`x`保持一致，其中不需要norm的维度与`x`对应维度保持一致，需要norm的维度（与`gamma`维度数相同的后几维）均为1。rstdOut shape与x shape，gamma shape关系举例：若x shape:(2，3，4，8)，gamma shape:(8)，rstdOut shape(2，3，4，1)；若x shape:(2，3，4，8)，gamma shape:(4，8)，rstdOut shape(2，3，1，1)。</li></ul></td>128+ <td><ul><li>支持空Tensor。</li><li>维度数与`x`保持一致，其中不需要norm的维度与`x`对应维度保持一致，需要norm的维度（与`gamma`维度数相同的后几维）均为1。rstdOut shape与x shape、gamma shape关系举例：若x shape:(2，3，4，8)，gamma shape:(8)，rstdOut shape(2，3，4，1)；若x shape:(2，3，4，8)，gamma shape:(4，8)，rstdOut shape(2，3，1，1)。</li></ul></td>
129 <td>FLOAT32</td>129 <td>FLOAT32</td>
130 <td>ND</td>130 <td>ND</td>
131 <td>1-8</td>131 <td>1-8</td>
Moptim/apply_adam_w_quant/docs/aclnnApplyAdamWQuant.md+1-1
@@ -173,7 +173,7 @@ aclnnStatus aclnnApplyAdamWQuant(
173 <tr>173 <tr>
174 <td class="tg-0pky">absmaxMRef（aclTensor*）</td>174 <td class="tg-0pky">absmaxMRef（aclTensor*）</td>
175 <td class="tg-0pky">输入/输出</td>175 <td class="tg-0pky">输入/输出</td>
176- <td class="tg-0pky">每blockSize(256)个vRef对应一个最大值，用于对mRef索引选择qmapM中的值乘以对应的absmaxMRef进行反量化。再通过更新后的mRef每blockSize(256)个选择出一个最大值，作为absmaxMRef的输出。</td>176+ <td class="tg-0pky">每blockSize(256)个mRef对应一个最大值，用于对mRef索引选择qmapM中的值乘以对应的absmaxMRef进行反量化。再通过更新后的mRef每blockSize(256)个选择出一个最大值，作为absmaxMRef的输出。</td>
177 <td class="tg-0pky">shape要求为“absmaxMRef.size = ceil(mRef.size/blockSize)”。</td>177 <td class="tg-0pky">shape要求为“absmaxMRef.size = ceil(mRef.size/blockSize)”。</td>
178 <td class="tg-0pky">FLOAT32</td>178 <td class="tg-0pky">FLOAT32</td>
179 <td class="tg-0pky">ND</td>179 <td class="tg-0pky">ND</td>
Mpooling/max_pool3d_grad_with_argmax/docs/aclnnMaxPool3dWithArgmaxBackward.md+1-1
@@ -192,7 +192,7 @@ aclnnStatus aclnnMaxPool3dWithArgmaxBackward(
192 </tbody></table>192 </tbody></table>
193 193 
194 <!-- npu="A3,910b" id7 -->194 <!-- npu="A3,910b" id7 -->
195- - <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。195+ - <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。
196 196 
197 <!-- end id7 -->197 <!-- end id7 -->
198 198 
Mrnn/thnn_fused_lstm_cell/docs/aclnnThnnFusedLstmCell.md+1-1
@@ -136,7 +136,7 @@ aclnnStatus aclnnThnnFusedLstmCell(
136 <tr>136 <tr>
137 <td>cx（aclTensor*）</td>137 <td>cx（aclTensor*）</td>
138 <td>输入</td>138 <td>输入</td>
139- <td>上一时的刻细胞状态。</td>139+ <td>上一时刻的细胞状态。</td>
140 <td>无。</td>140 <td>无。</td>
141 <td>FLOAT、FLOAT16</td>141 <td>FLOAT、FLOAT16</td>
142 <td>ND</td>142 <td>ND</td>