实现函数化转换

注册非In-place算子

非In-place算子名要求：一般定义为“In-place算子名”+“_functional”后缀，同时由于非In-place算子将结果写入输出而非直接修改输入，因此In-place算子被修改的输入需要添加对应的输出。

在third_party/op-plugin/op_plugin/python/meta/_meta_registrations.py中，追加如下内容注册非In-place算子：

import torch
from torch.library import Library, impl

m_fragment = Library("npu", "FRAGMENT")
m_fragment.define("my_inplace_functional(Tensor x, Tensor y) -> (Tensor, Tensor)")

my_inplace_functional算子原型含义：包含两个输入x和y，输出两个新的Tensor。从逻辑上，第一个输出Tensor的值，与被In-place修改后的x一致，第二个则与被In-place修改后的y一致。

非In-place算子Eager模式NPU实现

my_inplace_functional的NPU实现正常执行时不会调用，但在图模式精度调试时非常重要，因此建议实现。

在third_party/op-plugin/op_plugin/python/meta/_meta_registrations.py中，追加如下内容支持Eager模式调用：

注意：NPU通过PrivateUse1设备扩展接入PyTorch，因此实现时的Dispatch key为PrivateUse1

import torch
from torch.library import Library, impl

@impl(m_fragment, "my_inplace_functional", "PrivateUse1")
def custom_add_npu(x, y):
    x_clone = x.clone()
    y_clone = y.clone()
    torch.ops.npu.my_inplace(x_clone, y_clone)
    return x_clone, y_clone

非In-place算子实现Meta推导

在third_party/op-plugin/op_plugin/python/meta/_meta_registrations.py中，追加如下内容实现Meta推导函数：

函数化是为my_inplace实现Functionalized的DispatchKey，my_inplace的计算逻辑不能变化，仍然需要原地修改输入x和y，而不是作为输出返回。

import torch
from torch.library import Library, impl

@impl(m, "my_inplace_functional")
def my_inplace_functional_meta(x, y):
    return torch.empty_like(x), torch.empty_like(y)

In-place算子实现函数化转换

在third_party/op-plugin/op_plugin/python/meta/_meta_registrations.py中，使用my_inplace_functional（非In-place算子）替换原始的my_inplace（In-place算子），实现my_inplace算子的函数化。

import torch
from torch.library import Library, impl

@torch.library.impl(m_fragment, "my_inplace", "Functionalize")
def my_inplace_functional_npu(x, y):
    x_out, y_out = torch.ops.npu.my_inplace_functional(x, y)
    x.copy_(x_out)
    y.copy_(y_out)