CANN ops-math 标量除法算子 aclnnDivs/aclnnInplaceDivs 接口详解与 NPU 实战调用指南
CANN ops-math 标量除法算子 aclnnDivs/aclnnInplaceDivs 接口详解与 NPU 实战调用指南
本篇文章以 CANN ops-math 开源仓库中 aclnnDivs&aclnnInplaceDivs 算子文档 为主体,系统讲解在昇腾 NPU 上完成"Tensor 与 Scalar 逐元素除法"的两组 aclnn 接口:非原地版 aclnnDivs 与原地版 aclnnInplaceDivs。你将掌握两段式接口的调用范式、各参数的类型与约束、数据类型推导规则、错误返回码含义,以及一份可直接编译运行的完整 C++ 调用样例;文章还会结合 op_api 源码 与 ST/UT 测试 说明其底层执行链路与验证方式。
一、产品支持情况
aclnnDivs 与 aclnnInplaceDivs 在不同昇腾产品上的支持情况如下(与 math/div/docs/aclnnDivs&aclnnInplaceDivs.md 保持一致):
| 产品 | 是否支持 |
|---|---|
| Ascend 950PR/Ascend 950DT | 支持 |
| Atlas A3 训练系列产品/Atlas A3 推理系列产品 | 支持 |
| Atlas A2 训练系列产品/Atlas A2 推理系列产品 | 支持 |
| Atlas 200I/500 A2 推理产品 | 不支持 |
| Atlas 推理系列产品 | 不支持 |
| Atlas 训练系列产品 | 支持 |
需要说明的是,不同产品在数据类型支持上有细节差异(详见"数据类型约束与推导规则"一节),例如 Atlas 训练系列产品不支持 BFLOAT16 输入,而 Ascend 950PR/Ascend 950DT 的 out 不支持整型与 BOOL 类型,这些差异在源码 aclnn_div.cpp 中通过 ASCEND910_DTYPE_SUPPORT_LIST 与 ASCEND910B_DTYPE_SUPPORT_LIST 两套支持列表及平台判断逻辑分别处理。
二、功能说明与计算语义
2.1 接口功能与计算公式
该接口完成 Tensor 与 Scalar 的除法计算,计算过程可描述为:对输入张量 input 中的每一个元素,逐一除以标量 other,结果写入 out:
其中 input 即接口参数 self(原地版为 selfRef),other 为 aclScalar 类型的标量,out 为输出张量。
2.2 复数计算的特殊说明
当涉及 Complex(复数)运算时,如果分母(other)的模为 0,仍然采用通用的复数计算公式,不做特殊处理(例如不产生 CPU/GPU 上的约定结果)。也就是说,在复数除零这类边界语义上,本实现与 CPU/GPU 存在差异,业务侧若依赖该边界行为需要自行注意。
三、两段式接口设计
aclnnDivs 与 aclnnInplaceDivs 均遵循 CANN aclnn 算子库的两段式接口范式(可参考 two_phase_api.md):
- 第一段接口(GetWorkspaceSize):
aclnnDivsGetWorkspaceSize/aclnnInplaceDivsGetWorkspaceSize。负责入参校验,并完成算子计算流程的编排,返回执行所需 workspace 大小(uint64_t *workspaceSize)以及包含了算子计算流程的执行器(aclOpExecutor **executor)。 - 第二段接口(执行):
aclnnDivs/aclnnInplaceDivs。接收第一段接口产出的 workspace 地址、workspace 大小、executor 以及用户指定的aclrtStream,真正下发计算任务。
在调用顺序上,必须先调用第一段接口获取 workspace 大小与执行器,再据其申请 Device 侧内存(workspaceSize > 0 时),最后调用第二段接口执行计算。完整流程见文末调用示例。
3.1 aclnnDivs 与 aclnnInplaceDivs 的使用区别
两个接口实现的功能完全相同,区别仅在于结果存放方式:
aclnnDivs:需要调用方新建一个输出张量对象out,计算结果写入该输出张量;aclnnInplaceDivs:无需新建输出张量对象,直接在输入张量selfRef的内存中覆盖存储计算结果(原地计算)。
原地接口可以省去一次输出张量分配与拷贝,适合需要对原张量就地更新的场景;若希望保留原输入,则应使用非原地接口。
四、函数原型
4.1 aclnnDivsGetWorkspaceSize(第一段)
aclnnStatus aclnnDivsGetWorkspaceSize(
const aclTensor *self,
const aclScalar *other,
aclTensor *out,
uint64_t *workspaceSize,
aclOpExecutor **executor)
4.2 aclnnDivs(第二段)
aclnnStatus aclnnDivs(
void *workspace,
uint64_t workspaceSize,
aclOpExecutor *executor,
aclrtStream stream)
4.3 aclnnInplaceDivsGetWorkspaceSize(第一段)
aclnnStatus aclnnInplaceDivsGetWorkspaceSize(
aclTensor *selfRef,
const aclScalar *other,
uint64_t *workspaceSize,
aclOpExecutor **executor)
4.4 aclnnInplaceDivs(第二段)
aclnnStatus aclnnInplaceDivs(
void *workspace,
uint64_t workspaceSize,
aclOpExecutor *executor,
aclrtStream stream)
从源码 aclnn_div.h 可以看到,这些接口均以 ACLNN_API 导出、以 extern "C" 包裹,域名为 aclnn_math,与 aclnnDiv、aclnnDivMod、aclnnDivMods 等除法族接口一并声明。
五、aclnnDivsGetWorkspaceSize 参数详解
第一段接口完成入参校验并返回 workspace 大小与执行器,各参数含义如下:
| 参数名 | 输入/输出 | 描述 | 使用说明 | 数据类型 | 数据格式 | 维度(shape) | 非连续Tensor |
|---|---|---|---|---|---|---|---|
| self | 输入 | 公式中的输入 input | - | FLOAT、FLOAT16、DOUBLE、INT32、INT64、INT16、INT8、UINT8、BOOL、COMPLEX128、COMPLEX64、BFLOAT16 | ND | - | √ |
| other | 输入 | 公式中的输入 other | - | FLOAT、FLOAT16、DOUBLE、INT32、INT64、INT16、INT8、UINT8、BOOL、COMPLEX128、COMPLEX64、BFLOAT16 | - | - | - |
| out | 输出 | 公式中的 out | 数据类型需要是 self 与 other 推导之后可转换的数据类型,shape 与 self 相同 | FLOAT、FLOAT16、DOUBLE、INT32、INT64、INT16、INT8、UINT8、BOOL、COMPLEX128、COMPLEX64、BFLOAT16 | ND | - | √ |
| workspaceSize | 输出 | 返回需要在 Device 侧申请的 workspace 大小 | - | - | - | - | - |
| executor | 输出 | 返回 op 执行器,包含了算子计算流程 | - | - | - | - | - |
要点说明:
self支持非连续 Tensor(表中"√"),数据格式为 ND;other为aclScalar,无 shape/format 约束;out的 shape 必须与self相同(标量除法不做广播,形状逐元素对齐),数据类型须为self与other按推导规则推导后可转换到的类型;- 维度约束:
self与other的维度不能大于 8,否则返回参数非法错误。
六、数据类型约束与推导规则
数据类型推导是使用本接口最容易出错的地方,不同产品约束不同:
Atlas 训练系列产品:
self、out数据类型不支持 BFLOAT16;self与other的数据类型需满足数据类型推导规则(互推导关系参见 deduction_relationship.md)。
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:
self与other的数据类型需满足数据类型推导规则(参见 deduction_relationship.md)。
Ascend 950PR/Ascend 950DT:
out数据类型不支持 INT32、INT64、INT16、INT8、UINT8、BOOL;self与other需满足 Tensor-Scalar 互推导关系(参见 deduction_relationship.md),且推导之后的数据类型若为整数类型或布尔类型,会转换为 FLOAT 参与计算。
从源码实现看,类型推导逻辑集中在 aclnn_div.cpp 中的 InferDivsModeDtype/CompatibleInferDivsDtype 与 PromoteIntegerInputsToFloat 等函数:整数类型输入默认提升到 FLOAT(仅在部分芯片上保留 INT32 精度),FP16/BF16 会提升到 FLOAT 计算以避免标量被提前降精度(PromoteLowPrecToFloat),复数输入则通过 CombineCategoriesWithComplex 与 InnerTypeToComplexType 完成复数类型映射。也就是说,"推导结果落到 FLOAT"不仅发生在 950 产品上,也是标量除法接口的整体默认行为。
七、aclnnDivs 参数说明
第二段接口 aclnnDivs 的参数如下:
| 参数名 | 输入/输出 | 描述 |
|---|---|---|
| workspace | 输入 | 在 Device 侧申请的 workspace 内存地址 |
| workspaceSize | 输入 | 在 Device 侧申请的 workspace 大小,由第一段接口 aclnnDivsGetWorkspaceSize 获取 |
| executor | 输入 | op 执行器,包含了算子计算流程 |
| stream | 输入 | 指定执行任务的 Stream |
八、aclnnInplaceDivsGetWorkspaceSize 参数详解
与 aclnnDivsGetWorkspaceSize 相比,原地版本没有 out 参数,输入输出共用 selfRef:
| 参数名 | 输入/输出 | 描述 | 使用说明 | 数据类型 | 数据格式 | 维度(shape) | 非连续Tensor |
|---|---|---|---|---|---|---|---|
| selfRef | 输入 | 公式中的输入 selfRef | - | FLOAT、FLOAT16、DOUBLE、INT32、INT64、INT16、INT8、UINT8、BOOL、COMPLEX128、COMPLEX64、BFLOAT16 | ND | - | √ |
| other | 输入 | 公式中的输入 other | - | FLOAT、FLOAT16、DOUBLE、INT32、INT64、INT16、INT8、UINT8、BOOL、COMPLEX128、COMPLEX64、BFLOAT16 | - | - | - |
| workspaceSize | 输出 | 返回需要在 Device 侧申请的 workspace 大小 | - | - | - | - | - |
| executor | 输出 | 返回 op 执行器,包含了算子计算流程 | - | - | - | - | - |
各产品约束与第六节一致,只是将 self 换成 selfRef:
- Atlas 训练系列产品:
selfRef不支持 BFLOAT16,且需满足数据类型推导规则; - Atlas A2/A3 系列:
selfRef与other需满足数据类型推导规则; - Ascend 950PR/Ascend 950DT:
selfRef不支持 INT32、INT64、INT16、INT8、UINT8、BOOL;推导结果为整数或布尔类型时转换为 FLOAT。
从源码 aclnn_div.cpp 第 1142-1147 行可以看到,aclnnInplaceDivsGetWorkspaceSize 的实现非常简洁:将 selfRef 直接作为输出 out 传入 aclnnDivsGetWorkspaceSize 完成校验与编排,计算链路完全复用,体现了原地接口与普通接口在实现上的同构关系。
九、aclnnInplaceDivs 参数说明
| 参数名 | 输入/输出 | 描述 |
|---|---|---|
| workspace | 输入 | 在 Device 侧申请的 workspace 内存地址 |
| workspaceSize | 输入 | 在 Device 侧申请的 workspace 大小,由第一段接口 aclnnInplaceDivsGetWorkspaceSize 获取 |
| executor | 输入 | op 执行器,包含了算子计算流程 |
| stream | 输入 | 指定执行任务的 Stream |
十、返回值与错误码
两段接口均返回 aclnnStatus 状态码,具体可参见 aclnn_return_code.md。
第一段接口完成入参校验,以下场景会报错:
aclnnDivsGetWorkspaceSize:
| 返回码 | 错误码 | 描述 |
|---|---|---|
| ACLNN_ERR_PARAM_NULLPTR | 161001 | 传入的 self、other 或 out 是空指针 |
| ACLNN_ERR_PARAM_INVALID | 161002 | self 和 other 的数据类型和数据格式不在支持的范围之内 |
| ACLNN_ERR_PARAM_INVALID | 161002 | self 和 other 不满足数据类型推导规则 |
| ACLNN_ERR_PARAM_INVALID | 161002 | 推导出的数据类型无法转换为指定输出 out 的类型 |
| ACLNN_ERR_PARAM_INVALID | 161002 | self 和 other 的维度大于 8 |
aclnnInplaceDivsGetWorkspaceSize:
| 返回码 | 错误码 | 描述 |
|---|---|---|
| ACLNN_ERR_PARAM_NULLPTR | 161001 | 传入的 selfRef、other 是空指针 |
| ACLNN_ERR_PARAM_INVALID | 161002 | selfRef 和 other 的数据类型和数据格式不在支持的范围之内 |
| ACLNN_ERR_PARAM_INVALID | 161002 | selfRef 和 other 不满足数据类型推导规则 |
| ACLNN_ERR_PARAM_INVALID | 161002 | selfRef 和 other 的维度大于 8 |
这些校验在源码 aclnn_div.cpp 的 CheckParamsScalar 中按序执行:先检查空指针(返回 NULLPTR 类错误),再检查数据格式(不允许私有格式)、数据类型(对照平台支持列表)、shape 一致性(self 与 out 的 view shape 必须一致)与类型推导/转换可行性,任何一步失败都会以 ACLNN_ERR_PARAM_INVALID 返回。
十一、源码实现剖析:workspace 如何产生、计算如何执行
以 aclnnDivsGetWorkspaceSize 为入口,aclnn_div.cpp 的核心执行链路可以归纳为四步,理解这条链路有助于排查性能与精度问题:
- 创建执行器并完成参数校验:
CREATE_EXECUTOR()创建aclOpExecutor,随后CheckParamsScalar完成空指针、格式、类型、shape 校验; - 空 Tensor 短路:若
self->IsEmpty(),直接返回 workspaceSize = 0 与空执行器,不进入 kernel 计算(源码注释明确空 tensor 由 kernel 侧支持); - 类型提升与输入预处理:根据推导规则确定计算类型
promoteType,将self转为连续 Tensor(l0op::Contiguous)并按需l0op::Cast到计算类型;标量other通过executor->ConvertToTensor(other, promoteType)转成同类型 Tensor。在部分平台上还会走CanUseMuls优化路径:当self为 FP16/BF16/FLOAT 时,直接计算标量倒数1/other(在 double 下计算后单次舍入到 float,以对齐 CUDA 标量除法精度),再以l0op::Muls一次乘完成除法,避免构造除数 Tensor; - 计算、回写与 workspace 上报:
l0op::RealDiv完成逐元素除法,l0op::Cast将结果转回out的数据类型,l0op::ViewCopy将结果写入(可能非连续的)out,最后executor->GetWorkspaceSize()汇总整条计算链所需的 Device 侧内存大小并连同 executor 一起返回。
第二段接口 aclnnDivs 则统一调用 CommonOpExecutorRun(workspace, workspaceSize, executor, stream),由框架完成真正下发。值得注意的还有混合精度支持:源码中 isDivsMixDtypeSupport 在 910B/910_93 等平台上允许 FP16×FLOAT、BF16×FLOAT、BF16×DOUBLE 等标量组合(AllowedMixDtypePairs),此时走独立的混合精度分支,无需按常规规则整体提升。
十二、约束说明
- 确定性计算:
aclnnDivs与aclnnInplaceDivs默认采用确定性实现,即相同输入在多次运行中计算结果一致(相关背景可参考 determinism_compute.md)。
十三、完整调用示例
以下示例完整覆盖两段式调用、workspace 申请、结果回读与资源释放,可直接作为开发模板。具体编译和执行过程请参考 compile_and_run_sample.md。
#include <iostream>
#include <vector>
#include "acl/acl.h"
#include "aclnnop/aclnn_div.h"
#define CHECK_RET(cond, return_expr) \
do { \
if (!(cond)) { \
return_expr; \
} \
} while (0)
#define LOG_PRINT(message, ...) \
do { \
printf(message, ##__VA_ARGS__); \
} while (0)
int64_t GetShapeSize(const std::vector<int64_t>& shape) {
int64_t shapeSize = 1;
for (auto i : shape) {
shapeSize *= i;
}
return shapeSize;
}
int Init(int32_t deviceId, aclrtStream* stream) {
// 固定写法,资源初始化
auto ret = aclInit(nullptr);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
ret = aclrtSetDevice(deviceId);
CHECK_RET(ret == ACL_SUCCESS,
LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); aclFinalize(); return ret);
ret = aclrtCreateStream(stream);
CHECK_RET(ret == ACL_SUCCESS,
LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret);
aclrtResetDevice(deviceId); aclFinalize(); return ret);
return 0;
}
template <typename T>
int CreateAclTensor(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr,
aclDataType dataType, aclTensor** tensor) {
auto size = GetShapeSize(shape) * sizeof(T);
// 调用aclrtMalloc申请device侧内存
auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);
// 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);
// 计算连续tensor的strides
std::vector<int64_t> strides(shape.size(), 1);
for (int64_t i = shape.size() - 2; i >= 0; i--) {
strides[i] = shape[i + 1] * strides[i + 1];
}
// 调用aclCreateTensor接口创建aclTensor
*tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND,
shape.data(), shape.size(), *deviceAddr);
return 0;
}
int main() {
// 1.(固定写法)device/stream初始化,参考acl API手册
// 根据自己的实际device填写deviceId
int32_t deviceId = 0;
aclrtStream stream;
auto ret = Init(deviceId, &stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);
// 2. 构造输入与输出,需要根据API的接口自定义构造
std::vector<int64_t> selfShape = {4, 2};
std::vector<int64_t> outShape = {4, 2};
void* selfDeviceAddr = nullptr;
void* otherDeviceAddr = nullptr;
void* outDeviceAddr = nullptr;
aclTensor* self = nullptr;
aclScalar* other = nullptr;
aclTensor* out = nullptr;
std::vector<float> selfHostData = {0, 1, 2, 3, 4, 5, 6, 7};
std::vector<float> outHostData(8, 0);
float otherValue = 2.0f;
// 创建self aclTensor
ret = CreateAclTensor(selfHostData, selfShape, &selfDeviceAddr, aclDataType::ACL_FLOAT, &self);
CHECK_RET(ret == ACL_SUCCESS, return ret);
// 创建other aclScalar
other = aclCreateScalar(&otherValue, aclDataType::ACL_FLOAT);
CHECK_RET(other != nullptr, return ret);
// 创建out aclTensor
ret = CreateAclTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out);
CHECK_RET(ret == ACL_SUCCESS, return ret);
uint64_t workspaceSize = 0;
aclOpExecutor* executor;
// aclnnDivs接口调用示例
LOG_PRINT("test aclnnDivs\n");
// 3. 调用CANN算子库API,需要修改为具体的API名称
// 调用aclnnDivs第一段接口
ret = aclnnDivsGetWorkspaceSize(self, other, out, &workspaceSize, &executor);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnDivsGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
// 根据第一段接口计算出的workspaceSize申请device内存
void* workspaceAddr = nullptr;
if (workspaceSize > 0) {
ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
}
// 调用aclnnDivs第二段接口
ret = aclnnDivs(workspaceAddr, workspaceSize, executor, stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnDivs failed. ERROR: %d\n", ret); return ret);
// 4.(固定写法)同步等待任务执行结束
ret = aclrtSynchronizeStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
// 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
auto size = GetShapeSize(outShape);
std::vector<float> resultData(size, 0);
ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr,
size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size; i++) {
LOG_PRINT("result[%ld] is: %f\n", i, resultData[i]);
}
// aclnnInplaceDivs接口调用示例
LOG_PRINT("\ntest aclnnInplaceDivs\n");
// 3. 调用CANN算子库API,需要修改为具体的API名称
// 调用aclnnInplaceDivs第一段接口
ret = aclnnInplaceDivsGetWorkspaceSize(self, other, &workspaceSize, &executor);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnInplaceDivsGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
// 根据第一段接口计算出的workspaceSize申请device内存
if (workspaceSize > 0) {
ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
}
// 调用aclnnInplaceDivs第二段接口
ret = aclnnInplaceDivs(workspaceAddr, workspaceSize, executor, stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnInplaceDivs failed. ERROR: %d\n", ret); return ret);
// 4.(固定写法)同步等待任务执行结束
ret = aclrtSynchronizeStream(stream);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);
// 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
ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), selfDeviceAddr,
size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST);
CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret);
for (int64_t i = 0; i < size; i++) {
LOG_PRINT("result[%ld] is: %f\n", i, resultData[i]);
}
// 6. 释放aclTensor和aclScalar,需要根据具体API的接口定义修改
aclDestroyTensor(self);
aclDestroyScalar(other);
aclDestroyTensor(out);
// 7. 释放Device资源
aclrtFree(selfDeviceAddr);
aclrtFree(outDeviceAddr);
if (workspaceSize > 0) {
aclrtFree(workspaceAddr);
}
aclrtDestroyStream(stream);
aclrtResetDevice(deviceId);
aclFinalize();
return 0;
}
对上述示例的要点拆解:
- 第 3 步是核心差异点:非原地调用需要先创建
out并传入aclnnDivsGetWorkspaceSize;原地调用不需要out,直接以self(内存上原地更新)作为selfRef传入aclnnInplaceDivsGetWorkspaceSize; - workspace 必须按第一段接口返回的大小申请,且仅在
workspaceSize > 0时才需要aclrtMalloc,否则传空指针即可; - 结果回读位置不同:非原地从
outDeviceAddr回读,原地从selfDeviceAddr回读(因为结果写回了原输入内存); - 本示例使用 FLOAT 输入、
other = 2.0f、shape{4, 2},输入{0,1,2,3,4,5,6,7}的期望输出为{0, 0.5, 1, 1.5, 2, 2.5, 3, 3.5}。
十四、测试与验证
仓库为 aclnnDivs 提供了完善的测试支撑,可用于接口行为验证:
- ST 测试用例:tests/st/aclnnDivs/atk_aclnnDivs.json 覆盖了 289 组用例,输入 dtype 涵盖 fp16/fp32/fp64/bf16/int8/int16/int32/int64/bool/complex64/complex128,shape 覆盖 0 维标量、1~4 维、超大张量(如
[131073, ...]、[720065, 20])以及inf/nan等边界值(is_boundary: true),并且以torch.div作为语义基准("name": "torch.div", "aclnn_name": "Divs"); - UT 测试:tests/ut/op_api/test_aclnn_div.cpp 通过
OP_API_UT框架验证各数据类型(FLOAT/FLOAT16/INT8/INT16/INT32/INT64/UINT8/BOOL)在 aicore/aicpu 不同执行路径下的GetWorkspaceSize调用均返回ACL_SUCCESS; - 配套接口参考:同一目录下的 aclnnDiv&aclnnInplaceDiv.md(Tensor-Tensor 除法)、aclnnDivMod&aclnnInplaceDivMod.md 与 aclnnDivMods&aclnnInplaceDivMods.md 提供了除法族其余接口的语义对照;math/div/README.md 汇总了 aclnn 接口与图模式(算子 IR)两种调用方式。
小结
aclnnDivs/aclnnInplaceDivs 是 CANN ops-math 除法族中最常用的"Tensor ÷ 标量"接口:两者语义等价,区别仅在结果是否写回原输入。使用时要特别留意三点——先调第一段接口再调第二段接口的两段式范式、self/other/out 的数据类型互推导约束(含各产品差异)、以及复数除零与 CPU/GPU 的语义差异。掌握文末的完整调用模板,再结合 ST 用例 中的数据组合,即可在支持的昇腾产品上快速完成该算子的开发与验证。