[object Object]

[object Object][object Object]undefined[object Object]

• 接口功能：完成MoE（Mixture of Experts）门控Top-K选择的反向梯度计算。该算子是aclnnMoeGatingTopK的反向算子，根据前向算子输出的归一化得分（xNorm）、上游梯度（gradY）和专家索引（expertIdx），计算输入得分矩阵的梯度（gradX）。支持sigmoid模式（normType=1）。

• 计算公式（sigmoid模式，normType=1）：

  1. 缩放梯度
  $$gradYScaled_{ip} = routedScalingFactor \cdot gradY_{ip}$$
  2. 正向renorm的反向传播
  $$wPrime_{ip} = xNorm_{i,\ expertIdx_{ip}}$$ $$D_i = \sum_{p} wPrime_{ip} + eps$$ $$w_{ip} = \frac{wPrime_{ip}}{D_i}$$ $$beta_i = \sum_{p} w_{ip} \cdot gradYScaled_{ip}$$ $$gradWPrime_{ip} = \frac{gradYScaled_{ip} - beta_i}{D_i}$$
  3. 散射到完整维度
  $$gradNormX_{ij} = \sum_{p:\ expertIdx_{ip}=j} gradWPrime_{ip}$$
  4. Sigmoid反向传播
  $$gradX_{ij} = xNorm_{ij} \cdot (1 - xNorm_{ij}) \cdot gradNormX_{ij}$$

[object Object]

每个算子分为，必须先调用"aclnnMoeGatingTopKBackwardGetWorkspaceSize"接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用"aclnnMoeGatingTopKBackward"接口执行计算。

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见。

  第一段接口完成入参校验，出现以下场景时报错：

  [object Object]

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见。

[object Object]

• 确定性计算：
  • aclnnMoeGatingTopKBackward默认确定性实现。

[object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。