CANN Exp算子API描述

Exp 算子 API 描述

【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台，推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench

1. 算子简介

Exp 算子用于计算输入张量的广义指数函数，支持自定义底数（base）、缩放因子（scale）和偏移量（shift）三个参数，涵盖自然指数、任意底数指数等多种变体。

主要应用场景：

• Softmax 中的自然指数计算
• 注意力机制中的指数缩放
• 概率分布与对数域间的转换
• 学习率调度与指数衰减

算子特征：

• 难度等级：L1（Elementwise）
• 单输入单输出，逐元素运算，输出 shape 与输入完全一致

2. 算子定义

数学公式

通用公式：

$$ y = e^{(x \cdot scale + shift) \cdot \ln(base)}, \quad base > 0 $$

自然指数（当 $base \leq 0$ 时，使用自然底数 $e$）：

$$ y = e^{x \cdot scale + shift} $$

特殊情况

3. 接口规范

算子原型

cann_bench.exp(Tensor x, float base, float scale, float shift) -> Tensor y

输入参数说明

输出

数据类型

规则与约束

• 输出 shape 与输入 shape 完全一致，输出 dtype 与输入 dtype 一致
• base参数：≤ 0 时一律视为自然底数 $e$；> 0 时使用该值作为底数
• x支持任意维度（1D ~ 5D 及更高维），不限制具体 shape
• 需注意数值溢出：float16 的有效范围约 [-65504, 65504]，float32 下 $e^x$ 在 $|x| > 88$ 左右可能溢出为 inf

4. 精度要求

采用生态算子精度标准进行验证。

误差指标：

1. 平均相对误差（MERE）：采样点中相对误差平均值

   $$ \text{MERE} = \text{avg}(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)+\text{1e-7}}) $$

2. 最大相对误差（MARE）：采样点中相对误差最大值

   $$ \text{MARE} = \max(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)+\text{1e-7}}) $$

通过标准：

当平均相对误差 MERE < Threshold，最大相对误差 MARE < 10 * Threshold 时判定为通过。

5. 标准 Golden 代码

import torch def exp( x: torch.Tensor, base: float = -1.0, scale: float = 1.0, shift: float = 0.0 ) -> torch.Tensor: """ 计算输入张量的指数函数 - base <= 0: y = exp(scale * x + shift) - base > 0: y = exp((shift + scale * x) * ln(base)) Args: x: 输入张量 base: 指数底数，base <= 0 表示使用自然底数 e scale: 输入缩放因子 shift: 输入偏移量 Returns: 指数计算结果 """ temp = scale * x + shift if base > 0: temp = temp * torch.log(torch.tensor(base, dtype=x.dtype, device=x.device)) return torch.exp(temp)

6. 额外信息

算子调用示例

import torch import cann_bench x = torch.randn(1024, 1024, dtype=torch.float16, device="npu") y = cann_bench.exp(x, base=-1.0, scale=1.0, shift=0.0) # 自然指数 e^x y = cann_bench.exp(x, base=2.0, scale=1.0, shift=0.0) # 2^x y = cann_bench.exp(x, base=-1.0, scale=2.0, shift=1.0) # e^(2x+1)

【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台，推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench