CANN/cann-bench转置算子评测

Transpose 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

对 tensor 的任意维度进行调换。

主要应用场景：

• 深度学习中数据格式转换（如 NCHW 与 NHWC 之间的转换）
• 注意力机制中对 Q、K、V 矩阵进行维度交换
• 矩阵运算前的维度调整（如矩阵转置）

算子特征：

• 难度等级：L3（LayoutTransform）
• 单输入单输出，支持不超过 8 维的输入，通过 perm 参数指定维度置换顺序

2. 算子定义

数学公式

$$ y[i_0, ..., i_{n-1}] = x[i_{\text{perm}[0]}, ..., i_{\text{perm}[n-1]}] $$

其中 perm 为维度置换顺序数组，指定输出张量各维度对应输入张量的哪个维度。

3. 接口规范

算子原型

cann_bench.transpose(Tensor x, int[] perm) -> Tensor y

输入参数说明

输出

数据类型

规则与约束

• 输入维度不超过 8 维
• perm 数组长度必须等于输入维度数，且为 [0, ndim) 的一个排列
• 输出 shape 为输入 shape 按 perm 重排的结果，即 output_shape[i] = input_shape[perm[i]]
• 输出 dtype 与输入 dtype 一致

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 """ Transpose算子Torch Golden参考实现 对tensor的任意维度进行调换 公式: y[i0,...,in-1] = x[i_perm[0],...,i_perm[n-1]] """ def transpose( x: torch.Tensor, perm: list ) -> torch.Tensor: """ 对tensor的任意维度进行调换 公式: y[i0,...,in-1] = x[i_perm[0],...,i_perm[n-1]] Args: x: 输入张量 perm: 维度置换顺序 Returns: 输出张量，转置后的结果 """ y = torch.permute(x, perm) return y

6. 额外信息

算子调用示例

import torch import cann_bench # 2D 矩阵转置 x = torch.randn(1024, 1024, dtype=torch.float16, device="npu") y = cann_bench.transpose(x, [1, 0]) # 4D NCHW 转 NHWC x = torch.randn(2, 8, 256, 256, dtype=torch.float32, device="npu") y = cann_bench.transpose(x, [0, 2, 3, 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