完成算子适配开发后,可通过运行适配昇腾处理器的PyTorch算子,验证算子运行结果是否正确。
算子功能验证会覆盖算子开发的所有交付件,包含实现文件、算子原型定义、算子信息库以及算子适配插件。本节仅对验证的方法做介绍。
进行自定义算子功能验证,通过PyTorch前端构造自定义算子的函数并运行验证。
测试用例及测试工具目录如下,供用户参考:
# 进行环境变量设置。(以root用户安装,安装路径为默认路径为例) source /usr/local/Ascend/ascend-toolkit/set_env.sh
# 引入依赖库
import torch
import torch_npu
import numpy as np
from torch_npu.testing.testcase import TestCase, run_tests
from torch_npu.testing.common_utils import create_common_tensor
# 定义add测试用例类
class TestAdd(TestCase):
# 定义CPU和NPU add执行的函数
def cpu_op_exec(self, input1, input2):
output = torch.add(input1, input2, alpha = 1)
output = output.numpy()
return output
def npu_op_exec_new(self, input1, input2):
output = torch.add(input1, input2, alpha = 1)
output = output.to("cpu")
output = output.numpy()
return output
# 定义add对应场景通用函数,该函数负责输入数据并对比CPU和NPU的计算结果
def add_result(self, shape_format):
for item in shape_format:
cpu_input1, npu_input1 = create_common_tensor(item, 0, 100)
cpu_input2, npu_input2 = create_common_tensor(item, 0, 100)
if cpu_input1.dtype == torch.float16:
cpu_input1 = cpu_input1.to(torch.float32)
cpu_input2 = cpu_input2.to(torch.float32)
cpu_output = self.cpu_op_exec(cpu_input1, cpu_input2)
npu_output = self.npu_op_exec_new(npu_input1, npu_input2)
cpu_output = cpu_output.astype(npu_output.dtype)
self.assertRtolEqual(cpu_output, npu_output)
# 定义具体add场景的测试用例,用例函数需要以test_开头
def test_add_shape_format_fp32_2d(self):
format_list = [0, 3, 29]
shape_format = [
[np.float32, i, [5, 256]] for i in format_list
]
self.add_result(shape_format)
if __name__ == "__main__":
run_tests() python3 test_add.py