本节介绍 aclnn 算子的三种适配场景。

Paddle-API 与 CANN-Kernel 差异剖析及适配策略

对于 Paddle-API 与 CANN-Kernel 两者中常见的差别与适配方法如下：

Paddle 参数缺失或者参数无法直接对应

• 如果 Paddle 算子只需要 CANN 提供的某个参数为默认值的功能，则可通过默认赋值的方式完成

• 考虑通过计算取得需要参数

CANN 参数缺失

• CANN 算子没有某个 Paddle 有的参数，一般是此算子 CANN 支持的模式少于 Paddle

• 可通过多个算子分别完成算子的部分功能（如 max_pool + avg_pool）

• 如果 CANN 只能支持部分功能，则可以在调用处抛出参数值判断异常

数据类型不支持

• 输入数据类型不匹配时需要在计算前插入 Cast 操作，并且要更改输出的数据类型，在计算后对输出数据进行 Cast 操作返回原数据类型

layout 转换

• NPU 算子基本不支持 NHWC，但是部分 Paddle 算子支持，如果遇到这样的情况需要在计算前后插入 Transpose
  

小算子拼接

• 部分 Paddle-API 的功能在 NPU 中没法直接完成，但可通过多个小算子拼接完成，一般会少许影响性能

加入缺少的参数

以 ReluGrad 算子为例，通过计算或者默认赋值方式加入缺少的参数：

在进行参数对齐时，需要检查是否存在需要默认参数的情况。以 Paddle 的 relugrad 算子为例，其对应的 aclnn 的 ThresholdBackward 算子包含额外参数 threshold。在实际操作中，可通过默认赋值的方式实现参数对齐，如图所示，代码为phi::Scalar threshold = 0.0。完成参数对齐后，即可直接调用 NPU 的 aclnnThresholdBackward 算子 。

数据类型转换

以 nll_loss 算子为例，Paddle API 与 CANN API 所支持的数据类型存在差异。Paddle API 中，输入 x 的数据类型为 double，而 CANN 的对应算子仅支持 float32 这一特定数据类型，具体情况如下图所示：Paddle 侧：

CAAN 侧：

此情形需进行数据类型转换：

• 首先，对输入数据执行 cast 操作，将其转换为 CANN 算子支持的数据类型；

• 完成转换后，执行 NPU 的 aclnn 算子；

• 算子运算结束后，再将计算结果的数据类型由 float32 转换回输入 x 原本的数据类型。具体流程如下图所示：

• 
  

• 数据类型转换需要 Cast_kernel 算子，下面为 Cast_kernel 算子的声明：

• 
  

以下介绍将变量 x 的数据类型从 double 转换为 float32（转换后的变量记为 x_cast）的流程：

对象声明

phi::DenseTensor x_cast;                // 声明目标张量 x_castphi::DenseTensorMeta x_cast_meta;       // 声明张量的元数据对象

phi::DenseTensor：深度学习框架中表示多维数组的核心数据结构，包含数据和元信息（如形状、数据类型）。phi::DenseTensorMeta：用于存储张量的元信息（metadata）。

元数据初始化

x_cast_meta = {phi::DataType::FLOAT32, x.dims()；

phi::DataType::FLOAT32：明确将目标张量的数据类型设为 float32。x.dims()：继承输入张量 x 的维度信息（如 [batch_size, channels, height, width]）

绑定元数据

x_cast.set_meta(x_cast_meta);  

作用：将初始化后的元数据绑定到目标张量 x_cast。

执行类型转换

custom_kernel::CastKernel<T, Context>(dev_ctx, x, phi::DataType::FLOAT32, &x_cast);

核心参数：dev_ctx: 设备上下文（如 CPU/GPU 资源管理）x: 输入张量phi::DataType::FLOAT32: 目标数据类型&x_cast: 输出的目标张量指针功能：将输入张量 x 的数据类型转换为 float32，结果写入 x_cast。

执行 NPU aclnn 算子计算

把所有需要进行数据类型转换的参数转换完成后，使用算子执行宏 EXEC_NPU_CMD执行 aclnn 算子：

aclnn 算子输出结果原类型恢复

• 将 out_cast（NPU 计算结果）转换为 paddle api 的 out 张量类型（如 float32 → double）。

• 将损失计算中累计的权重值 total_weight_cast 数据类型转换为目标类型后写入 total_weight。

转置操作

在 Pool2dGradKernel 算子中，若输入数据格式 data_format 为NHWC，即高度、宽度、通道数位于最后，鉴于 NPU 的操作要求，需将数据转换为NCHW格式。此转换通过Transpose操作达成。Transpose 操作的核心功能是实现张量维度重排，旨在适配 NPU 计算特性所规定的数据布局需求。在本场景中，其主要作用是完成从NHWC（Channel Last）到NCHW（Channel First）这两种内存布局的转换 。

流程图如下：

变量声明

phi::DenseTensor transformed_out_grad;通过临时变量隔离布局转换过程，保证原始数据的完整性

布局判断逻辑

接下来，程序执行条件判断if (channel_last)。该判断旨在检查输入数据是否采用NHWC格式。若if (channel_last)条件成立，即NHWC（Channel Last）格式时，程序将执行转置操作，把数据格式转换为通道优先 Channel First 的NCHW格式。

维度置换规则

std::vector<int> perm = {0, 3, 1, 2};数学原理：对应张量维度[N,H,W,C]->[N,C,H,W]定义了一个 perm 向量{0, 3, 1, 2}，这应该是用来重新排列维度的顺序。原来的维度假设是 NHWC（0,1,2,3），转置后变为 NCHW（0,3,1,2）。

新形状构建

接着构造了 out_grad_tensor_shape，调整形状以匹配新的维度顺序。调整后的形状是通过重新排列 out_grad 的维度得到的，例如将原维度[0]、[3]、[1]、[2]组合成新的形状。

std::vector<int> out_grad_tensor_shape = {    out_grad.dims()[0],    out_grad.dims()[3],     out_grad.dims()[1],    out_grad.dims()[2],};

通过维度复制而非引用保证形状独立性。

内存分配

然后将 transformed_out_grad 调整大小，分配内存，并通过 TransposeKernel 进行转置操作。

transformed_out_grad.Resize(phi::make_ddim(out_grad_tensor_shape));dev_ctx.template Alloc<T>(&transformed_out_grad);

转置运算

custom_kernel::TransposeKernel<T, Context>(dev_ctx, out_grad, perm, &transformed_out_grad);custom_kernel::TransposeKernel 是调用 NPU 的转置内核函数，需在算子开发代码中进行函数声明，如图所示：