ascend-ai-coding Triton 算子精度评估
核心原则
精度是算子正确性的底线。验证通过前不做性能优化。
工作流
- 编写 Torch 参考实现（标杆）
- 编写测试用例（覆盖多种 shape × dtype × 边界情况）
- 在 NPU 上执行 Triton 算子和 Torch 参考实现
- 用
test_common.validate_cmp()比对，生成精度报告
MANDATORY - READ ENTIRE FILE：编写测试前，完整阅读 scripts/test_common.py。
误差阈值
判定条件：MERE < 阈值 且 MARE < 10 × 阈值
| 数据类型 | 阈值 | MERE 上限 | MARE 上限 |
|---|---|---|---|
| float16 | 2⁻¹⁰ ≈ 9.77e-4 | 9.77e-4 | 9.77e-3 |
| float32 | 2⁻¹³ ≈ 1.22e-4 | 1.22e-4 | 1.22e-3 |
| bfloat16 | 2⁻⁷ ≈ 7.81e-3 | 7.81e-3 | 7.81e-2 |
| int8/uint8/int16/uint16/int32/uint32/int64/uint64 | 完全相等 | — | — |
| bool | 完全相等 | — | — |
其中：
- MERE = mean(|y_cal - y_ref| / |y_ref|)，即平均相对误差
- MARE = max(|y_cal - y_ref| / |y_ref|)，即最大相对误差
报告必须包含
- 验证配置：算子名称、测试形状、dtype、核心数
- 精度标准：所有 dtype 的阈值及判定条件（MERE < 阈值 且 MARE < 10 × 阈值）
- 验证结果：通过/失败总数
- 误差指标：MERE（平均相对误差）、MARE（最大相对误差）
- 判定条件
输出约定
- 精度报告写入算子目录下
precision_report.md（Markdown 格式） - 精度评估脚本写入算子目录下
precision_eval.py - 参考
examples/目录下的示例脚本和报告格式
反模式清单（NEVER）
- ❌ 不提供 Torch 参考实现就做精度验证
- ❌ 用错误阈值（如 FP16 用 FP32 的阈值）
- ❌ 不用 MERE/MARE 判定条件（仅用 rtol/atol 不够严格）
- ❌ 归约操作不升精度到 FP32
- ❌ 只测一种 dtype/shape 就断言正确
- ❌ 跳过边界情况（非对齐维度）
- ❌ 精度通过前做性能优化
检查清单
- Torch 参考实现正确且在 NPU 上验证
- 覆盖多种 shape × dtype
- 归约操作用 FP32
- 生成标准化精度报告