问题现象描述

部分原生PyTorch接口在输入非连续张量的情况下，CPU输出为非连续张量，NPU输出为连续张量。

示例如下所示：

import torch
import torch_npu
input_cpu = torch.randn(3,2).T
input_npu = torch.randn(3,2).npu().T
cpu_out = torch.where(input_cpu>0, 0.0, 1.0)
npu_out = torch.where(input_npu>0, 0.0, 1.0)
print(cpu_out.is_contiguous())
print(npu_out.is_contiguous())
print(torch.equal(cpu_out, npu_out.cpu()))

通过打印可以发现，cpu_out为非连续张量，npu_out为连续张量，二者值相同。

原因分析

NPU设备当前对非连续计算不亲和，除少数算子外，大部分算子都只能对连续张量进行计算。出于设备亲和性考虑，NPU上非inplace/out类接口均被设计为输出连续张量。连续张量仅在“stride”上和非连续张量存在差异，“shape”和“value”均相同，一般不会对使用产生影响。

解决措施

在必须获取非连续张量的场景（如需要根据“stride”进行判断），可以参考如下方案进行处理：

• 将接口输入中的张量转为CPU张量，获取“stride”信息后再重新将结果转回NPU张量。
• 如果使用的接口有out类变体（如add->add.out），可以创建一个符合预期“shape”或“stride”的NPU张量，利用out类接口会保持连续性的特性进行计算。