变更摘要

此 PR 为 TTK 测试工具添加了 TensorFlow 框架的端到端（e2e）测试支持。核心思路是将现有基于 PyTorch 的测试流程泛化为框架无关的架构：通过新增 framework_detector、TfBackend 后端体系、tf_param_extractor 参数解析器以及 TF 特有的 dtype 系统，使得同一个 e2e 管线可以同时驱动 torch_npu 和 tf.raw_ops.* / tf.nn.* 等 API 的测试，包括 golden 数据生成、性能分析和设备后端选择。CLI 层额外增加了从 CSV 自动检测框架的能力。

主要改动

• TF 后端体系 (TfBackend / CpuTfBackend)：新增 TfBackend 基类和 CpuTfBackend 子类，实现了 numpy ↔ tf.Tensor 互转（含 dtype 规范化）、tf.device 设备移动、设备探测与计数等接口，并通过 backends/__init__.py 中新增的 _probe_tf 和扩展的 get_backend(framework=...) 完成 TF 后端自动选择与回退。

• 框架检测与路由：新增 framework_detector.detect_framework 函数，根据 api_name 前缀（tf. / tensorflow.）区分框架类型；CLI 层增加 _detect_framework_from_csv 从 CSV 的 api_name 列自动推断框架，并在 run_with_switches 中设置 sw.framework，贯穿 FrameworkApiInstance、profiling、golden_generation、input_generation 等模块。

• TF API 解析与参数提取：api_resolver 增加对 tf.* API 的解析分支，委托给 resolve_callable_str；新增 tf_param_extractor.extract_tf_params，利用 inspect.signature 直接解析 TF op（包括 tf.raw_ops.* 的特殊 keyword-only 约定），输出与 PyTorch 兼容的 APIParamInfo / OverloadInfo 结构。

• Golden 生成与性能分析框架化：golden_generation.py、profiling.py、input_generation.py 等核心流程全面适配双框架——引入 _get_cpu_tf_backend、np_to_tf_inputs、is_tf_dtype_support 等分支逻辑，TF 路径下禁用 graph 模式、使用 WallClockProfiler、绕过不可用的 format_cast，确保 eager 模式下的正确执行与性能测量。

• TF dtype 系统与配置扩展：dtypes.py 新增 _TF_DTYPE_MAP 映射表及 str_to_tf_dtype / is_tf_native_dtype 函数；default.yaml 增加 frameworks.tf.npu 配置项；SWITCHES 类新增 framework 属性，默认值为 "torch"，确保向后兼容。

代码审查

审查总结

本次 PR 新增了 TensorFlow e2e 测试支持，涉及 25 个文件的修改（新增约 640 行，删除约 83 行）。整体代码结构合理，TF 与 torch 的框架分离做得较好，但存在以下问题：

按优先级统计

• P2（3 个）：_call_plugin_with_plan 未传递 framework 导致 TF 插件结果转换错误；generate_golden 在 golden_api 路径使用错误 framework；_TF_NON_TENSOR_PARAM_NAMES 集合不完整导致部分 TF op 标量参数误判为张量
• P3（2 个）：str_to_tf_dtype 为死代码；_detect_framework_from_csv 裸 except 吞没异常

各文件审查确认

整体风险判断

中等风险。P2 问题都集中在 golden_generation.py 和 tf_param_extractor.py，可能导致 TF golden 结果转换错误和参数解析错误，建议在合入前修复。P3 问题不影响核心功能，可随后续迭代处理。其余文件修改质量较好，TF/torch 框架分离清晰，惰性导入和条件分支处理得当。

⛔ 需要修改

/lgtm
/approve