CANN Cumsum算子测试题

决赛题目Cumsum 算子测试用例设计【免费下载链接】cann-competitions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。项目地址: https://gitcode.com/cann/cann-competitions任务说明本题目要求参赛者为 CANN ops-math 仓库中的Cumsum累积求和算子编写端到端测试用例。参赛者需要在官方提供的 example 测试代码基础上进行扩展尽可能覆盖算子的各种执行路径并深入分析算子的精度特性。算子定义$y[i] \sum_{j0}^{i} x[j]$即输出的第 i 个元素是输入前 i1 个元素的累积和。Cumsum 算子的累加特性使其成为研究浮点误差累积效应的理想对象。算子概况Cumsum 算子位于math/cumsum/目录下采用 op_api → op_host → op_kernel 的三层架构。Cumsum 算子的核心特点是误差累积——每次累加都会累积前面的舍入误差序列越长累积误差越大。目录结构math/cumsum/ ├── op_api/ # 接口层 │ ├── aclnn_cumsum.h / .cpp # API 声明与实现包含 CumsumV2 │ ├── cumsum.h / cumsum.cpp # 底层接口与设备路由 ├── op_host/ # 主机计算层 │ ├── cumsum_def.cpp # 算子注册 │ ├── cumsum_infershape.cpp # shape 推断 │ └── arch35/ │ ├── cumsum_tiling_arch35.h │ ├── cumsum_tiling_ascendc_arch35.cpp # 浮点类型 tiling │ ├── cumsum_tiling_ascendc_int_arch35.cpp # 整数类型 tiling │ └── cumsum_tiling.cpp # tiling 公共逻辑 ├── op_kernel/ # 设备计算层 │ └── ... ├── examples/ # 使用示例 └── tests/ # 单元测试支持的数据类型Cumsum 算子支持多种数据类型包括 FLOAT32、FLOAT16、BF16、INT32、INT64、INT8、UINT8、BOOL 等。不同数据类型的累积误差特性差异显著是精度测试的重要维度。API 变体Cumsum 算子对外提供 2 个主要 APIAPI语义aclnnCumsum(self, dim, dtype, out)标准累积求和aclnnCumsumV2(self, dim, dtype, exclusive, reverse, out)扩展版本支持 exclusive 和 reverse 参数参数说明dim: 累加的维度dtype: 输出数据类型可与输入不同exclusive: 若为 true输出第一个元素为 0后续为前缀和不包含当前元素reverse: 若为 true从后向前累加任务要求官方示例代码位于math/cumsum/examples/test_aclnn_cumsum.cpp。参赛者的任务1扩展测试覆盖面并补充结果验证为每个测试用例在 CPU 端独立计算期望值并与算子输出进行数值比对。Cumsum 算子的期望值计算// CPU 端参考实现 std::vectordouble CpuCumsum(const std::vectorfloat input) { std::vectordouble result(input.size()); double sum 0.0; for (size_t i 0; i input.size(); i) { sum (double)input[i]; result[i] sum; } return result; }浮点类型使用容差比较$|actual - expected| \leq atol rtol \times |expected|$建议容差FLOAT32: atol1e-5, rtol1e-5考虑累积误差比单次运算更宽松FLOAT16: atol1e-3, rtol1e-3INT32: 精确匹配但需注意溢出覆盖维度包括但不限于数据类型FLOAT32、FLOAT16、BF16、INT32、INT64 等序列长度短序列100、中等序列100-1000、长序列1000数值特征全正、全负、正负混合、大小数混合、零值等API 变体Cumsum、CumsumV2测试 exclusive 和 reverse 参数维度参数不同的 dim 值异常输入nullptr、空 tensor、不支持的 dtype 等2精度测试与分析分析精度问题的场景和原因重点关注误差随序列长度的增长规律并在测试报告中深入分析精度问题的数学原理每个场景仅举一例即可。以下场景提供参考场景提示1误差累积效应尝试累加 10000 个相同的数如 1.0观察最后结果与理论值 10000.0 的偏差分析误差如何随序列长度线性增长量化分析误差 ≈ n * ε其中 n 是序列长度ε 是单次加法的舍入误差场景提示2大小数混合序列尝试[1e8, 1e-6, 1e8, 1e-6, ...]这样的输入观察小数 1e-6 的贡献是否在累加到 1e8 后被吞没分析浮点数有效位数的限制对累积结果的影响场景提示3不同 dtype 的累积误差对比对比 float32 和 float16 在相同输入下的累积误差量化分析float16 的误差累积速度约为 float32 的 1000 倍评估不同 dtype 的适用场景其他可探索的精度场景正负交替序列的抵消效应 误差累积长序列小数累加如[0.1] * 100000.1 无法精确表示Exclusive 和 reverse 模式的精度特性整数类型的溢出问题3输出格式每个测试用例输出[PASS]或[FAIL]程序结尾输出汇总有失败用例返回非 0 值。输出示例Test case 1: Basic Cumsum (float32, length100) Expected: [1.0, 2.0, 3.0, ..., 100.0] Actual: [1.0, 2.0, 3.0, ..., 100.0] Max error: 0.000001 [PASS] Test case 2: Long sequence accumulation (float32, length10000) Expected: [1.0, 2.0, 3.0, ..., 10000.0] Actual: [1.0, 2.0, 3.0, ..., 9999.998] Max error: 0.002 (at position 9999) [PASS] Error within tolerance Test case 3: Mixed magnitude (float16) Expected: [1e8, 1e8, 2e8, 2e8, ...] Actual: [1e8, 1e8, 2e8, 2e8, ...] Small values lost: 1e-6 contributions 0 [FAIL] Precision loss detected Summary: 2 passed, 1 failed编译与运行前置步骤修复 CMakeLists 以启用 Host 层覆盖率问题现象默认的math/cumsum/CMakeLists.txt在ascend910_93SOC 下存在SUPPORT_TILING_DIR错配问题——映射到不存在的arch32/目录导致op_host/arch35/下的 3 个 tiling 源文件.gcno / .gcda均无法生成Host 层覆盖率将为0%。解决方案编译前先修改math/cumsum/CMakeLists.txt将SUPPORT_TILING_DIR中的arch32全部改为arch35set(SUPPORT_COMPUTE_UNIT ascend310p ascend910_93 ascend910b ascend950 mc62cm12a) - set(SUPPORT_TILING_DIR arch32 arch32 arch32 arch35 arch35) set(SUPPORT_TILING_DIR arch35 arch35 arch35 arch35 arch35)一行sed命令搞定sed -i s|set(SUPPORT_TILING_DIR arch32 arch32 arch32 arch35 arch35)|set(SUPPORT_TILING_DIR arch35 arch35 arch35 arch35 arch35)| \ math/cumsum/CMakeLists.txt根因简述tiling 代码运行在CPUhost 侧gcov 完全可观测。之所以测不到不是架构限制而是 CMake 的 SOC→arch 目录映射配置错误导致源码未进入编译。注意修改 CMakeLists 后如已经跑过一次编译请先rm -rf build build_out清空产物再重新编译否则缓存中的旧配置仍然生效。编译运行流程# 编译启用覆盖率插桩 bash build.sh --pkg --socascend910_93 --opscumsum --vendor_namecustom --cov # 安装算子包 ./build_out/cann-ops-math-custom_linux-aarch64.run # 运行测试真实 NPU 环境 bash build.sh --run_example cumsum eager cust \ --vendor_namecustom --socascend910_93 --cov # 查看覆盖率 find build -name *.gcda | grep cumsum gcov -b -c gcda文件路径注意使用--socascend910_93参数不使用--simulator参数直接在真实 NPU 上运行每次修改测试用例后需要重新执行编译 → 安装 → 运行的完整流程以更新覆盖率数据编译后务必校验 host 层产物find build -name cumsum_tiling*.gcno应能查到 3 个文件若为空说明前置 CMakeLists 修复未生效请回到上面的前置步骤重新操作评分标准决赛采用五维综合评分如下维度 1. 编译通过率提交的测试代码必须能在评测环境中通过下述完整流程正常执行bash build.sh --pkg --socascend910_93 --opscumsum --vendor_namecustom --cov → ./build_out/cann-ops-math-custom_linux-aarch64.run → bash build.sh --run_example cumsum eager cust --vendor_namecustom --socascend910_93 --cov编译或运行任何一步失败都会影响整体得分。评测系统会尝试从提交的 build 目录提取覆盖率数据作为参考但编译失败的提交整体得分受限。维度 2. 行覆盖率覆盖率统计范围op_api 层的 2 个文件 op_host 层的 3 个 tiling 文件共 5 个源文件。文件layerop_api/aclnn_cumsum.cppapiop_api/cumsum.cppapiop_host/arch35/cumsum_tiling.cpphostop_host/arch35/cumsum_tiling_ascendc_arch35.cpphostop_host/arch35/cumsum_tiling_ascendc_int_arch35.cpphost综合行覆盖率由各文件的命中行数与总行数加总后计算$$ Coverage_{line} \frac{\sum Lines_Covered_i}{\sum Total_Lines_i} $$提示tiling 层op_host/arch35/下的三个文件承载了 Cumsum 算子的主要切分策略代码不同的 dtype、shape、V2 标志位组合会走不同的 tiling 分支是覆盖率提升的重点区域。维度 3. 分支覆盖率对上述同样的 5 个文件统计分支覆盖率gcov -b输出$$ Coverage_{branch} \frac{\sum Branches_Covered_i}{\sum Total_Branches_i} $$分支覆盖比行覆盖更严格if-else的 true / false 两侧都需要被触发才算完全覆盖。鼓励针对条件分支、边界值、错误路径设计成对的测试用例。维度 4. 精度分析根据测试报告中对精度问题的场景发现与原理分析综合评分。维度 5. 测试报告根据测试报告的完整性、结构、分析深度评分。前置条件编译通过提交的test_aclnn_cumsum.cpp必须能在评测环境中通过编译和运行流程正常执行。编译失败的提交将无法获得完整覆盖率得分但评测系统会尝试从提交的 build 目录中提取覆盖率数据作为参考。结果验证测试代码中必须包含有效的结果验证逻辑即计算期望值并与实际输出比对仅打印结果而不验证的提交将被扣分。测试报告必须提交测试报告按照提供的模版编写。精度分析章节应重点关注误差累积效应。提交要求提交一个压缩包.zip包含队名/ ├── test_aclnn_cumsum.cpp # 测试用例源文件必须 ├── build/ # 编译产物目录必须见下方说明 └── report.md # 测试设计说明必须按模版编写build 目录提交说明重要为减小提交包大小只需提交评分相关的.gcda和.gcno文件。涉及两个路径op_api 层目录名abs非笔误是 CMake 聚合 object library 的挂载点build/math/abs/CMakeFiles/ophost_math_opapi_obj.dir/__/cumsum/op_api/ ├── aclnn_cumsum.cpp.gcda ├── aclnn_cumsum.cpp.gcno ├── cumsum.cpp.gcda └── cumsum.cpp.gcnoop_host 层tilingbuild/math/cumsum/CMakeFiles/ophost_math_tiling_obj.dir/op_host/arch35/ ├── cumsum_tiling.cpp.gcda ├── cumsum_tiling.cpp.gcno ├── cumsum_tiling_ascendc_arch35.cpp.gcda ├── cumsum_tiling_ascendc_arch35.cpp.gcno ├── cumsum_tiling_ascendc_int_arch35.cpp.gcda └── cumsum_tiling_ascendc_int_arch35.cpp.gcno不要提交完整的 build 目录可能有几百 MB只提交上述覆盖率文件即可。如需偷懒也可以使用以下命令快速筛选find build -name aclnn_cumsum.cpp.gc* \ -o -name cumsum.cpp.gc* \ -o -name cumsum_tiling*.gc* \ | tar czvf cumsum_gcov.tar.gz -T -【免费下载链接】cann-competitions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。项目地址: https://gitcode.com/cann/cann-competitions创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考