用户可通过该项目参与 CANN 开源社区各类竞赛、提交作品及获取开源课题。核心功能包括赛事发布、作品提交与展示，覆盖官方、高校、行业赛事及社区任务，支持规范的目录结构与提交流程。【此简介由AI生成】

文件	最后提交记录	最后更新时间
01_official	提交算子挑战赛目录 Co-authored-by: fullt<full.fu@huawei.com> # message auto-generated for no-merge-commit merge: !193 merge championship-final into master 提交算子挑战赛目录 Created-by: fullt Commit-by: fullt Merged-by: cann-robot Description: ## 变更描述 / Description 添加算子挑战赛目录，用于存放算子挑战赛各队伍的赛果 ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [x] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [ ] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other See merge request: cann/cann-competitions!193	4 个月前
02_enterprise	添加社区任务目录 Co-authored-by: fulltower<full.fu@huawei.com> # message auto-generated for no-merge-commit merge: !3 merge master into master 添加社区任务目录 Created-by: fullt Commit-by: fulltower Merged-by: cann-robot Description: 添加社区任务目录 See merge request: cann/cann-competitions!3	5 个月前
03_university	commit test_dir Co-authored-by: fuyangchenghu<fuyangchenghu2@huawei.com> # message auto-generated for no-merge-commit merge: !275 merge master into master commit test_dir Created-by: fuyangchenghu Commit-by: fuyangchenghu Merged-by: cann-robot Description: ## 变更描述 / Description <!-- 本 PR 做了什么，为什么需要 / What does this PR do and why --> ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [ ] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [ ] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other ## 关联 Issue / Related Issues <!-- Closes #000 可自动关闭 / Closes #000 to auto-close --> - Closes # - References # ## 测试信息 / Testing <!-- 简要测试说明或关键结果 / Brief test description or key results --> - [ ] 单元测试通过 / UT passed - [ ] 集成测试通过 / ST passed - [ ] 人工验证通过 / Manual verified ## 检查清单 / Checklist - [ ] 代码符合规范 / Code follows style guide - [ ] 测试添加并通过 / Tests added and passed - [ ] 文档已更新 / Docs updated if needed - [ ] 无硬编码敏感信息 / No secrets hardcoded - [ ] 提交信息符合规范 / Commit message follows convention See merge request: cann/cann-ops-competitions!275	3 个月前
04_tasks	【社区任务】Arange算子设计文档 Co-authored-by: 韩涛鸿<3430426834@qq.com> # message auto-generated for no-merge-commit merge: !245 merge 05-15 into master 【社区任务】Arange算子设计文档 Created-by: hth810 Commit-by: 韩涛鸿 Merged-by: cann-robot Description: # 需求背景（required） ## 需求来源 ## 背景介绍 ### Arange算子实现优化基于Arange算子历史AscendC版本使用Ascend C编程语言进行优化。当前未找到该算子的TBE实现，因此本设计不做TBE实现反推，改为分析仓库内已有AscendC实现，并在现有实现基础上补齐任务书要求的数据类型与全核并行能力。 Arange算子（AscendC）实现路径和相关文件路径 Arange算子实现路径为：`experimental/math/arange` Arange算子当前关键文件路径： - 算子定义：`experimental/math/arange/op_host/arange_def.cpp` - Shape推导：`experimental/math/arange/op_host/arange_infershape.cpp` - Tiling实现：`experimental/math/arange/op_host/arange_tiling.cpp` - Kernel入口：`experimental/math/arange/op_kernel/arange.cpp` - Kernel实现：`experimental/math/arange/op_kernel/arange.h` - Tiling数据结构：`experimental/math/arange/op_kernel/arange_tiling_data.h` ### Arange算子AscendC实现现状分析通过对Arange算子现有AscendC版本的功能分析，当前支持的能力如下： ① start、end、step为Scalar输入，out为一维Tensor输出。 ② 当前算子定义支持float32、float16、bfloat16、int32、int64五种类型，任务书要求支持float32、float16、bfloat16、int8、uint8、int16，需要调整算子注册和kernel模板实例化范围。 ③ 当前kernel侧仅使用start和step参与计算，end不参与kernel计算；输出元素个数由out的shape size决定。 ④ 计算表达式（等差序列公式）： $$ out_i = start + i \times step,\quad i \in [0, N) $$ 其中N为输出Tensor元素个数，通常由aclnn侧根据start、end、step推导。 ⑤ 对于float32输出，当前使用`KernelArange<float, float, float>`直接按float32计算并写回；对于其他类型，当前使用`KernelArange_Cast<TYPE_START, TYPE_STEP, TYPE_OUT>`，先将start、step转换为float32，再按float32生成序列，最后cast回输出类型。需要注意，int8/uint8不能直接cast到float32，需先转换为half，再由half转换为float32；回写int8/uint8时也需要先由float32转换为half，再由half转换为int8/uint8。 ⑥ 当前tiling侧根据UB大小计算单次处理的unitNum，并设置`blockDim = 1`，因此现有版本为单核实现，尚未满足“所有核参与计算场景”的性能要求。 ⑦ 当前尾块通过按32B对齐后的DataCopy写回处理，后续全核实现需重点处理尾块安全写回，避免最后一核越界写。 Arange算子历史AscendC版本的整体流程图如下图所示： ![tbee.png](https://raw.gitcode.com/user-images/assets/9516645/bebb1ed7-5e72-4cda-854f-95c8106c119e/tbee.png 'tbee.png') 算子原型 \| 名称 \| 类别 \| dtype \| format \| shape \| 介绍 \| \|------\|------\|-------\|--------\|-------\|------\| \| start \| 输入 \| float32/float16/bfloat16/int8/uint8/int16 \| ND \| scalar \| 获取值的范围的起始位置 \| \| end \| 输入 \| float32/float16/bfloat16/int8/uint8/int16 \| ND \| scalar \| 获取值的范围的结束位置 \| \| step \| 输入 \| float32/float16/bfloat16/int8/uint8/int16 \| ND \| scalar \| 获取值的步长 \| \| out \| 输出 \| float32/float16/bfloat16/int8/uint8/int16 \| ND \| 1D \| 输出等差序列Tensor \| 相关约束 Atlas A2 训练系列产品/Atlas A3 系列产品支持float32、float16、bfloat16、int8、uint8、int16。 start、end、step、out的数据类型需要保持一致。 step不等于0。 step大于0时，start小于end；step小于0时，start大于end。当前输入为Scalar，输出为一维ND Tensor，不支持非连续Tensor。 # 需求分析（required） ## 需求描述使用Ascend C编程语言实现Arange算子，支持float32/float16/bfloat16/int8/uint8/int16数据类型，根据start、end、step生成一维等差序列。算子需满足泛化shape与正、负步长场景，并计划实现全核并行版本，使大shape场景下所有可用AI Core参与计算。 ## 需求拆解 1. 支持float32/float16/bfloat16/int8/uint8/int16数据类型。 1. 支持正步长和负步长，满足合法输入范围约束。 1. 支持输出长度为1、小shape、32B对齐shape、非32B对齐尾块、大shape等泛化场景。 1. 基于现有AscendC单核实现扩展为全核实现。 1. 性能在所有核参与计算场景下不低于原对标要求；小shape低于10us且相差3us以内时，提供性能仿真图和分析结论。 1. 精度满足AscendOpTest工具默认阈值。 # 详细设计（required） ## 算子分析 ### 数学公式 Arange算子生成一维等差序列，数学公式如下： $$ out_i = start + i \times step,\quad i \in [0, N) $$ 递推形式为： $$ out_{i+1} = out_i + step $$ 其中N为输出Tensor元素个数。对于正步长场景，输出区间为[start, end)；对于负步长场景，输出区间为(start, end]方向上的递减序列，实际仍由上层推导出的out shape控制输出长度。在kernel内部，为便于向量化计算，每个tile先构造局部下标： $$ idx = [0, 1, 2, ..., tileDataNum - 1] $$ 全核实现中，每个核处理一段连续全局输出区间，设当前tile的全局起始下标为globalOffset，则该tile输出为： $$ out_{globalOffset + idx} = start + (globalOffset + idx) \times step $$ 这种计算方式保证各核之间无数据依赖，可直接按输出区间并行拆分。 ### 支持数据类型 float32/float16/bfloat16/int8/uint8/int16 ## 算子实现 ### 实现方案 #### 3.2.1 host侧设计： Host侧负责算子注册、shape推导、tiling计算、分核规划和tilingkey设置。当前历史实现已具备基础tiling能力，但仅设置`blockDim = 1`。本次设计预计参考Cross算子的tile均分思想和Sign算子的big/small core分核字段，将Arange改造为全核实现。 Shape推导策略保持现有实现：infer shape阶段将输出设置为一维动态shape，实际输出Tensor由aclnn侧根据start、end、step创建。Tiling阶段通过`context->GetOutputShape(0)->GetOriginShape().GetShapeSize()`获取输出元素总数totalNum。 Tiling数据建议从当前： - dtypeSize - totalNum - unitNum - unitLoops - tailNum 扩展为全核实现所需字段： - totalNum：输出元素总数。 - dtypeSize：输出数据类型字节数。 - tileDataNum：单次tile处理的元素数。 - smallCoreDataNum：普通核处理的数据量。 - bigCoreDataNum：多分配一个32B block的核处理的数据量。 - finalSmallTileNum：普通核tile循环次数。 - finalBigTileNum：大核tile循环次数。 - smallTailDataNum：普通核最后一个tile的数据量。 - bigTailDataNum：大核最后一个tile的数据量。 - tailBlockNum：大核数量，即前tailBlockNum个核每核多处理一个32B block。 ##### 1. 分核策略：采用按32B block均分策略，确保每个参与计算的核至少处理一个32B block，避免无效空核。首先通过平台信息获取： AIV核数coreNum UB大小ubSize 然后根据输出shape和dtype计算： totalNum：输出元素总数 dtypeSize：输出类型字节数 totalBytes：totalNum * dtypeSize totalBytesAlign32：totalBytes按32B向上对齐后的字节数 totalBlockNum：totalBytesAlign32 / 32 实际使用核数： `text if tileDataNum >= totalNum: usedCoreNum = 1 else: usedCoreNum = min(coreNum, totalBlockNum)` 按32B block均分： `text everyCoreBlockNum = totalBlockNum / usedCoreNum tailBlockNum = totalBlockNum % usedCoreNum smallCoreDataNum = everyCoreBlockNum * 32 / dtypeSize bigCoreDataNum = (everyCoreBlockNum + 1) * 32 / dtypeSize` 前tailBlockNum个核为big core，处理bigCoreDataNum个元素；其余核为small core，处理smallCoreDataNum个元素。kernel侧根据`GetBlockIdx()`判断当前核类型并计算全局起始偏移： `text if blockIdx < tailBlockNum: coreDataNum = bigCoreDataNum globalOffset = blockIdx * bigCoreDataNum else: coreDataNum = smallCoreDataNum globalOffset = tailBlockNum * bigCoreDataNum + (blockIdx - tailBlockNum) * smallCoreDataNum` 由于最后一个核可能覆盖到按32B对齐补齐后的无效区域，kernel写回时需要结合totalNum裁剪真实有效数据量，最后tile使用DataCopyPad或按有效长度安全写回。 ##### 2. 数据分块和内存优化策略：遵循“尽量使用UB，同时保证中间buffer可容纳”的原则。 Host侧根据UB大小、dtype字节数和kernel临时buffer数量计算tileDataNum。Arange计算不需要搬入大输入Tensor，只需要读取start、step两个Scalar，然后生成输出。因此UB主要用于： float32路径： outQueue：输出tile calc_init：tile内基础序列 calc_step：unit偏移或step向量 calc_temp：局部下标/累加偏移 cast路径： inQueue：读取start、step scalar outQueue：输出tile calc_init/calc_step/calc_temp/calc_out：float32中间计算buffer tempFloat：scalar转换临时buffer tempHalf：int8/uint8两步转换临时buffer tileDataNum按32B对齐元素数计算，建议公式如下： `text alignElem = 32 / dtypeSize usableUb = ubSize / ubBufferCount tileDataNum = floor(usableUb / dtypeSize / alignElem) * alignElem tileDataNum = max(tileDataNum, alignElem)` 其中ubBufferCount根据dtype和路径设置。float32路径buffer数量较少，可取较大tile；float16/bfloat16/int16路径由于统一转float32计算，需要预留更多float32中间buffer。int8/uint8虽然输出字节较小，但中间计算仍按float32分配UB，并且受Ascend C Cast接口约束，需要额外预留half中间buffer用于`int8/uint8 -> half -> float32`和`float32 -> half -> int8/uint8`两步转换，应避免仅按输出dtype低估UB占用。每个核内部再按tileDataNum循环： `text tileNum = ceil(coreDataNum / tileDataNum) processDataNum = min(tileDataNum, coreDataNum - tileIdx * tileDataNum) globalTileOffset = globalOffset + tileIdx * tileDataNum` 计算时直接使用globalTileOffset生成当前tile对应的全局序列值： `text out = start + (globalTileOffset + localIdx) * step` 这种方式不需要跨tile累加状态，各tile可以独立计算，也避免多核场景下单核历史实现的`calc_temp`偏移逻辑扩展复杂度。 ##### 3. tilingkey规划策略： `text tilingkey = 1：float32专用路径 tilingkey = 0：float16/bfloat16/int8/uint8/int16 cast路径` float32路径不需要输入/输出cast，直接按float32生成输出；其他类型统一走cast路径。float16、bfloat16、int16的start和step可转换为float32后计算，计算完成后按目标类型cast写回。int8/uint8路径需要单独在cast路径中处理两步转换：读取Scalar后先转half，再转float32参与计算；输出写回前先将float32结果转half，再由half转int8/uint8。如后续发现int8/uint8/int16的cast舍入或饱和行为与aclnnArange不一致，可进一步拆分tilingkey，为整数类型增加独立kernel路径。若int8/uint8两步转换导致UB占用或性能差异明显，也可为int8/uint8单独规划tilingkey和tileDataNum计算逻辑。 #### 3.2.2 kernel侧设计： kernel侧进行Init和Process两个阶段，其中Process包括计算准备（Prepare）、计算（Compute）、搬出（CopyOut）三个阶段。由于Arange只有Scalar输入，不需要像普通二元算子一样搬入整块输入Tensor。 Init阶段：读取tiling数据，确定当前核的数据范围。根据`GetBlockIdx()`、`tailBlockNum`、`bigCoreDataNum`、`smallCoreDataNum`计算当前核的globalOffset、coreDataNum、tileNum和tailDataNum，并初始化GM Tensor和UB队列。 Prepare阶段：读取start、step两个Scalar。float32路径可直接通过GlobalTensor读取；cast路径先将Scalar拷贝到UB，再转换为float32。对于float16、bfloat16、int16，可按支持的Cast链路转换到float32；对于int8/uint8，需要先Cast到half临时Tensor，再Cast到float32。随后构造tile内局部下标向量localIdx。 Compute阶段：对每个tile执行如下计算： `text globalIdx = globalOffset + tileIdx * tileDataNum + localIdx outFloat = startFloat + globalIdx * stepFloat` 对于float32输出，outFloat直接写入输出LocalTensor。对于float16/bfloat16/int16输出，outFloat按目标类型cast到输出LocalTensor。对于int8/uint8输出，outFloat先cast到half临时Tensor，再由half cast到int8/uint8输出LocalTensor。 CopyOut阶段：将输出LocalTensor写回out GM。非尾块使用普通DataCopy；尾块和最后一个核可能存在非32B对齐或对齐补齐数据，需要使用DataCopyPad/按有效元素数写回，保证只写真实输出范围内的数据。数据类型处理策略如下：对于float32数据类型，直接使用float32计算和写回。对于float16和bfloat16数据类型，start、step转换为float32计算，计算完成后转换回float16/bfloat16。对于int16数据类型，start、step转换为float32计算，计算完成后转换回int16。对于int8、uint8数据类型，由于Cast接口不支持int8/uint8直接转换到float32，需要采用两步转换： `text 输入Scalar：int8/uint8 -> half -> float32 输出Tensor：float32 -> half -> int8/uint8` int8/uint8路径需额外申请half临时buffer，并在测试中重点验证两步转换带来的舍入行为、负步长、边界值和可能的溢出场景。 end输入不在kernel中参与计算，仅用于上层输出长度推导和合法性校验。kernel侧以totalNum作为最终写回边界。 Ascend C的Arange算子流程见下图。 ![ascc.png](https://raw.gitcode.com/user-images/assets/9516645/d7d894e2-0a72-4f6b-9887-794fad915a36/ascc.png 'ascc.png') ## 支持硬件 \| 支持的芯片版本 \| 涉及勾选 \| \| --- \| --- \| \| Atlas A2 训练系列产品 \| √ \| \| Atlas A3 系列产品 \| √ \| ## 算子约束限制 start、end、step为Scalar输入。 out为一维ND Tensor输出。 start、end、step、out的数据类型保持一致。 step不等于0。 step大于0时，start小于end；step小于0时，start大于end。当前不支持非连续Tensor。 kernel侧不使用end参与计算，要求上层正确推导out shape。 # 可维可测分析 ## 精度标准/性能标准 \| 验收标准 \| 描述(不涉及说明原因) \| 标准来源 \| \| --- \| --- \| --- \| \| 精度标准 \| 不低于TBE版本 \| \| \| 性能标准 \| 不低于TBE版本 \| \| ## 兼容性分析全核实现会改变历史单核tiling和kernel数据划分方式，但输出数学公式不变。需要重点保证：多核拆分后全局下标连续且不重不漏。最后一个核和最后一个tile不会越界写。 float32路径与cast路径输出结果保持与历史语义一致。 See merge request: cann/cann-ops-competitions!245	3 个月前
.gitignore	请求合并🙏 Co-authored-by: syeren<syeren@foxmail.com> # message auto-generated for no-merge-commit merge: !20 merge master into master [更新]: 修改CANN-ops-test-challenge-2026路径，加入 CONTRIBUTING.md Created-by: syeren Commit-by: syeren Merged-by: Albertq Description: ## 变更描述 / Description <!-- 本 PR 做了什么，为什么需要 / What does this PR do and why --> ## 改动类型 / Change Type - [ ] Bug 修复 / Bug Fix - [ ] 新功能 / New Feature - [ ] 性能优化 / Performance - [ ] 代码重构 / Refactoring - [x] 文档更新 / Documentation - [ ] 测试相关 / Test - [ ] 其它 / Other ## 关联 Issue / Related Issues <!-- Closes #123 可自动关闭 / Closes #123 to auto-close --> - Closes # - References # ## 测试信息 / Testing <!-- 简要测试说明或关键结果 / Brief test description or key results --> - [ ] 单元测试通过 / UT passed - [ ] 集成测试通过 / ST passed - [ ] 人工验证通过 / Manual verified ## 检查清单 / Checklist - [ ] 代码符合规范 / Code follows style guide - [ ] 测试添加并通过 / Tests added and passed - [ ] 文档已更新 / Docs updated if needed - [ ] 无硬编码敏感信息 / No secrets hardcoded - [ ] 提交信息符合规范 / Commit message follows convention See merge request: cann/cann-competitions!20	5 个月前
CONTRIBUTING.md	update: 更新文件 CONTRIBUTING.md Signed-off-by: Albertq <wujiawei25@huawei.com>	6 个月前
DIRECTORY_STRUCTURE.md	添加社区任务目录 Co-authored-by: fulltower<full.fu@huawei.com> # message auto-generated for no-merge-commit merge: !3 merge master into master 添加社区任务目录 Created-by: fullt Commit-by: fulltower Merged-by: cann-robot Description: 添加社区任务目录 See merge request: cann/cann-competitions!3	5 个月前
LICENSE	添加项目文档和目录结构	6 个月前
README.md	添加社区任务目录 Co-authored-by: fulltower<full.fu@huawei.com> # message auto-generated for no-merge-commit merge: !3 merge master into master 添加社区任务目录 Created-by: fullt Commit-by: fulltower Merged-by: cann-robot Description: 添加社区任务目录 See merge request: cann/cann-competitions!3	5 个月前

CANN 开源社区竞赛仓

🎯 仓库简介

本仓库用于 CANN 开源社区各类竞赛、开源课题、社区任务等课题发布、开发者作品提交和展示。

📁 目录结构

顶层目录

official/ - 官方赛事
university/ - 高校赛事
enterprise/ - 行业/区域赛事
tasks/ - 开源课题/社区任务

赛事类型说明

官方赛事：如CANN 全国挑战赛、算子天梯赛、区域赛等
高校赛事：各高校基于 CANN 平台举办的赛事
行业/区域赛事：各行业/区域基于CANN平台举办的赛事
开源任务：CANN社区发起的开源课题/社区任务

🚀 如何参与

1. 选择赛事目录

根据您参与的赛事类型，选择对应的目录：

官方赛事：official/{赛事名称}-{年份}/
高校赛事：university/{学校代码}/{赛事名称}-{年份}/
行业/区域赛事：enterprise/industry/{赛事名称}-{年份}/、enterprise/regional/{赛事名称}-{年份}/
开源任务：tasks/{任务名称}-{年份}/

2. 作品提交规范

在对应赛事的 submissions/ 目录下创建您的团队目录：

{team-id}_{name}_{work-title}/
├── README.md          # 作品说明文档
├── code/              # 源代码
├── model/             # 模型文件
├── results/           # 实验结果
└── docs/              # 相关文档

命名规则：

team-id: 团队ID，支持多种格式：
- 数字编号：team01, team02（推荐用于团队赛）
- 自定义名称：awesome-team, ai-experts（适合个人赛或已有团队名称）
- 个人ID：user123, developer-name（个人赛使用）
name: 参赛选手姓名或者队伍名
work-title: 作品标题（使用短横线分隔，如 image-classification）