Kernel 模式字段提取规则【免费下载链接】cannbot-skillsCANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体本仓库为其提供可复用的 Skills 模块。项目地址: https://gitcode.com/cann/cannbot-skillsS5 JSON → CSV 列映射S5 JSON 字段CSV 列提取方式case[id]testcase_name直接使用case[id]—network_name留空case[tensors][inputs]各 tensor 的shapeinput_shapes遍历 inputs dict 的 values。REQUIREDdict→ 取spec[shape]转 tuple。DYNAMIClist[dict]→ 遍历子 tensor 取各sub[shape]组成内层 tuple(shape_0, shape_1, ...)作为外层 tuple 的 1 个元素。可选输入spec is None时用None占位case[tensors][inputs]各 tensor 的dtypeinput_dtypes遍历 inputs dict 的 values。REQUIREDdict→ 取spec[dtype]。DYNAMIClist[dict]→ 取spec[0][dtype]包为压缩嵌套((float16,),)TTK 自动广播到所有子 tensor。可选输入spec is None时用None占位—input_formats默认(ND,)× tensor 数量REQUIRED 和 DYNAMIC 均保持扁平TTK 通过get()回退处理case[tensors][outputs]各 tensor 的shapeoutput_shapes遍历 outputs dict 的 values。REQUIREDdict→ 取spec[shape]转 tuple。DYNAMIClist[dict]→ 遍历子 tensor 取各sub[shape]组成内层 tuple作为外层 tuple 的 1 个元素case[tensors][outputs]各 tensor 的dtypeoutput_dtypes遍历 outputs dict 的 values。REQUIREDdict→ 取spec[dtype]。DYNAMIClist[dict]→ 取spec[0][dtype]包为压缩嵌套((float16,),)—output_formats默认(ND,)× tensor 数量REQUIRED 和 DYNAMIC 均保持扁平TTK 通过get()回退处理case[params]标量属性attributes运行时加载S2P1_operator_model.json的attributes节获取属性名列表从case[params]中只保留属性名列表中存在的 key其余全部排除转为 dictcase[tensors][inputs]各 tensor 的_data_rangeinput_data_ranges遍历 inputs。REQUIREDdict→ 取spec[_data_range]按映射表转为(min, max)直接追加。DYNAMIClist[dict]→ 取spec[0][_data_range]约束保证所有子 tensor 一致转为(min, max)为每个子 tensor 重复生成组成展开嵌套((range, range, ...),)展开嵌套是唯一通用格式详见 02-kernel-fields.md「TensorList 嵌套结构」各输出 tensor 的 dtype按输出顺序precision_tolerancesREQUIREDdict→ 按输出 tensor 顺序逐个 dtype 取精度标准组成外层 tuplefp16/bf16 →(0.001, 0.001)fp32 →(0.0001, 0.0001)。DYNAMIClist[dict]→ 取spec[0][dtype]取精度标准为每个子 tensor 重复生成组成展开嵌套((tol, tol, ...),)—absolute_precision默认1e-8—input_ori_shapes默认回退到input_shapes留空即可—input_ori_formats默认(ND,)留空即可—output_ori_shapes默认回退到output_shapes留空即可—output_ori_formats默认(ND,)留空即可aclnn 文档参数表「输入/输出」列output_inplace_indexes读取算子docs/aclnn*.md的 GetWorkspaceSize 参数表检查每个输入参数的「输入/输出」列标记为「输入/输出」的参数 → 记录其在输入列表中的 0-based 索引所有 inplace 输入的索引组成 tuple。无 inplace 参数时默认()—output_shape_unknown_indexes默认()—is_enabled默认Trueparams[_group] case ID 后缀remark从 case ID 提取_后的 data_range 后缀。有后缀时格式为group{group}, data_range{suffix}无后缀时为group{group}。显式区分 grouptiling 路由模式与 data_range输入数据分布两个维度—soc_series默认留空—priority默认0—dump_file_prefix默认留空—manual_input_binaries默认()—manual_golden_binaries默认()属性过滤规则case[params]中包含 shape 参数、属性参数、const input 值和内部标记。写入 CSVattributes列的 key 包括两类参与代码路径的属性来自S5_mapping_spec.md§属性 节中列出的属性名const input 的名称来自_def.cpp的.ValueDepend()标记在S5_mapping_spec.md§const input 节中列出其余 keyshape 参数、内部标记、不参与路径的属性一律排除。脚本启动时从S5_mapping_spec.md§属性 节含 const input 子节中提取实际列出的名称列表作为ATTR_NAMES# ATTR_NAMES S5_mapping_spec.md §属性 节中列出的属性名 const input 名集合 # 仅包含参与代码路径的属性和 const inputconst input tensor 提取_def.cpp中通过.ValueDepend()标记的输入 tensor 是 const input。const input 的值必须写入 CSV 的attributesdict而非input_data_rangesTTK 自动检测并从attributes中解析值。提取规则从S5_mapping_spec.md§const input 节识别 const input 名称从case[params]中提取 const input 的值由 Step 5 case mapper 从维度参数构造写入将值写入attributesdictkey 为 const input 的名称const input 的 shape/dtype 仍保留在input_shapes/input_dtypes中const input 的input_data_ranges设为(None, None)不参与随机生成不需要__input__插件处理 const inputoutput_inplace_indexes 检测从算子docs/aclnn*.md的 GetWorkspaceSize 参数表第一个参数表检测 inplace 输入定位参数表中「输入/输出」列遍历每个输入参数行检查该列的值值为「输入/输出」→ 该参数是 inplace 输入记录其在输入参数列表中的 0-based 索引值为「输入」→ 普通输入跳过值为「输出」→ 输出参数跳过所有 inplace 索引按输入顺序组成 tuple即为output_inplace_indexes无 inplace 参数时默认()示例foreach_add_list_inplacex1: 「输入/输出」→ 输入索引 0 → inplacex2: 「输入」→ 非 inplacealpha: 「输入」→ 非 inplace结果output_inplace_indexes (0,)注意仅检查 GetWorkspaceSize 参数表第一个表不检查第二段接口的参数表。tensor 顺序输入/输出 tensor 的顺序与case[tensors][inputs]/case[tensors][outputs]中的 key 迭代顺序一致。DYNAMIClist[dict]的子 tensor 按列表顺序排列在内层 tuple 中。返回值结构extract_case_info(case, index)返回一个扁平 dictkey 对应 TTK CSV 列名。{ testcase_name: case00001, network_name: UNKNOWN, op_name: example_op, input_shapes: ((64, 128), (64, 128), (128,)), input_dtypes: (float16, float16, float16), input_formats: (ND, ND, ND), output_shapes: ((64, 128), (64, 1), (64, 128)), output_dtypes: (float16, float32, float16), output_formats: (ND, ND, ND), input_ori_shapes: None, input_ori_formats: None, output_ori_shapes: None, output_ori_formats: None, attributes: {epsilon: 1e-6}, input_data_ranges: ((-2.5, 3.1), (-1.8, 4.7), (-0.3, 0.9)), precision_tolerances: ((0.001, 0.001), (0.0001, 0.0001), (0.001, 0.001)), absolute_precision: 1e-8, output_inplace_indexes: (), output_shape_unknown_indexes: (), is_enabled: True, remark: split_d, soc_series: None, priority: 0, dump_file_prefix: None, manual_input_binaries: (), manual_golden_binaries: (), }DYNAMIC 示例1 个 TensorList 输入含 3 子 tensor1 个 TensorList 输出含 3 子 tensor{ testcase_name: case00001, network_name: UNKNOWN, op_name: example_op, input_shapes: (((1, 2), (3, 4), (5, 6)),), # 展开每个子 tensor 一个 shape input_dtypes: ((float16,),), # 压缩1 dtype 广播到 3 子 tensor input_formats: (ND,), # 扁平不变 output_shapes: (((1, 2), (3, 4), (5, 6)),), output_dtypes: ((float16,),), output_formats: (ND,), input_ori_shapes: None, input_ori_formats: None, output_ori_shapes: None, output_ori_formats: None, attributes: {}, input_data_ranges: (((-10, 10), (-10, 10), (-10, 10)),), # 展开每个子 tensor 一个 range precision_tolerances: (((0.001, 0.001), (0.001, 0.001), (0.001, 0.001)),), # 展开 absolute_precision: 1e-8, output_inplace_indexes: (0,), # 假设 x1 为 inplace 输入索引 0 output_shape_unknown_indexes: (), is_enabled: True, remark: split_d, soc_series: None, priority: 0, dump_file_prefix: None, manual_input_binaries: (), manual_golden_binaries: (), }字节数计算用于校验时估算 tensor 内存DTYPE_BYTES {float16: 2, float32: 4, bfloat16: 2, int8: 1, int4: 0.5, int32: 4}data_range → input_data_ranges 映射表从每个输入 tensor 的_data_rangecase[tensors][inputs][name][_data_range]到 TTKinput_data_ranges的数值范围映射。按输入顺序逐个转换_data_rangeinput_data_ranges生成方式value_domain 约束normal_rng.uniform(-10, 10)x2 排序positive → (0.01, 10)non_negative → (0, 10)non_zero → 排除 |x|0.1range → (min, max)zero(0, 0)—extreme(dtype_max * 0.9, dtype_max)—negative_rng.uniform(-100, -0.01)x2 排序range → 约束到 (min, min(0,max))不满足则回退 normaltiny_pos(1e-7, 1e-5)range → 约束到 (max(min,1e-7), min(max,1e-5))不满足则回退 normalall_ones(1, 1)—near_zero(-0.01, 0.01)range → 约束到 (max(min,-0.01), min(max,0.01))不满足则回退 normalwith_inf(1, float(inf))—with_nan(nan, nan)—rng 使用固定 seedrandom.Random(42)保证可复现。import random DTYPE_MAX {float16: 65504.0, bfloat16: 3.3895e38, float32: 3.4e38} _rng random.Random(42) def _data_range_to_ttk(data_range, dtype_str, value_domainNone): def _range_normal(): lo value_domain.get(min) if value_domain else None hi value_domain.get(max) if value_domain else None return (lo if lo is not None else -10.0, hi if hi is not None else 10.0) if data_range normal: if value_domain: t value_domain[type] if t positive: return (0.01, 10.0) elif t non_negative: return (0.0, 10.0) elif t non_zero: a, b _rng.uniform(-10, 10), _rng.uniform(-10, 10) a, b min(a, b), max(a, b) if abs(a) 0.1: a -10.0 if abs(b) 0.1: b 10.0 return (round(a, 2), round(b, 2)) elif t range: return _range_normal() a, b _rng.uniform(-10, 10), _rng.uniform(-10, 10) return (round(min(a, b), 2), round(max(a, b), 2)) elif data_range zero: return (0, 0) elif data_range extreme: mx DTYPE_MAX.get(dtype_str, 3.4e38) return (mx * 0.9, mx) elif data_range negative: if value_domain and value_domain[type] range: lo value_domain.get(min) hi value_domain.get(max) eff_lo lo if lo is not None else -100.0 eff_hi min(0, hi) if hi is not None else -0.01 if eff_lo eff_hi: return (eff_lo, eff_hi) return _range_normal() a, b _rng.uniform(-100, -0.01), _rng.uniform(-100, -0.01) return (round(min(a, b), 2), round(max(a, b), 2)) elif data_range tiny_pos: if value_domain and value_domain[type] range: lo value_domain.get(min) hi value_domain.get(max) tp_lo max(lo, 1e-7) if lo is not None else 1e-7 tp_hi min(hi, 1e-5) if hi is not None else 1e-5 if tp_lo tp_hi: return (tp_lo, tp_hi) return _range_normal() return (1e-7, 1e-5) elif data_range all_ones: return (1, 1) elif data_range near_zero: if value_domain and value_domain[type] range: lo value_domain.get(min) hi value_domain.get(max) nz_lo max(lo, -0.01) if lo is not None else -0.01 nz_hi min(hi, 0.01) if hi is not None else 0.01 if nz_lo nz_hi: return (nz_lo, nz_hi) return _range_normal() return (-0.01, 0.01) elif data_range with_inf: return (1, float(inf)) elif data_range with_nan: return (float(nan), float(nan)) return (-2, 2) def build_input_data_ranges(tensors): 遍历 inputs按每个 tensor 的 _data_range _value_domain 逐个映射。 inputs tensors.get(inputs, {}) ranges [] for name, spec in inputs.items(): if isinstance(spec, list): dr spec[0].get(_data_range, normal) dt spec[0][dtype] vd spec[0].get(_value_domain) r _data_range_to_ttk(dr, dt, vd) ranges.append(tuple(r for _ in spec)) else: dr spec.get(_data_range, normal) dt spec[dtype] vd spec.get(_value_domain) ranges.append(_data_range_to_ttk(dr, dt, vd)) return tuple(ranges)【免费下载链接】cannbot-skillsCANNBot 是面向 CANN 开发的用于提升开发效率的系列智能体本仓库为其提供可复用的 Skills 模块。项目地址: https://gitcode.com/cann/cannbot-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考