算子使用指导（ATB Python API）

完整可执行示例请参见组图示例。

运行前需要安装torch_atb插件，安装方法如下：

./Ascend-cann-nnal_${version_info}_linux-aarch64.run --install --torch_atb

导入ATB Python API模块。
在代码中，通过以下方式导入ATB Python API模块：
```
import torch_atb
```

创建算子对象实例。

单算子
1. 创建参数对象。
  根据需要创建的算子，实例化参数结构体，参数接口的定义参考OpParam，下面以linear为例。
```
linear_param = torch_atb.LinearParam()
linear_param.has_bias = False
```
2. 创建算子对象。
```
op = torch_atb.Operation(linear_param)
```

图算子

根据设计的图算子结构，通过tensorName设置各个组合OP的tensor之间的对应关系创建图算子。

用图构造器构图：

构图方式一：

           
                    builder = torch_atb.Builder("Graph")
    x = builder.add_input("x")
    y = builder.add_input("y")
    elewise_add = torch_atb.ElewiseParam()
    elewise_add.elewise_type = torch_atb.ElewiseParam.ElewiseType.ELEWISE_ADD
    layer1 = builder.add_node([x, y], elewise_add)
    add_out = layer1.get_output(0)
    z = builder.add_input("z")
    builder.reshape(add_out, lambda shape: [1, shape[0] * shape[1]], "add_out_")
    elewise_mul = torch_atb.ElewiseParam()
    elewise_mul.elewise_type = torch_atb.ElewiseParam.ElewiseType.ELEWISE_MUL
    layer2 = builder.add_node(["add_out_", z], elewise_mul)
    builder.mark_output(layer2.get_output(0))
    Graph = builder.build()

构图方式二：

graph = torch_atb.GraphBuilder("Graph") \ # 设置图算子的名称
         .set_input_output(["x", "y", "z"], ["out"]) \ # 指定图的输入输出tensorName
         .add_operation(elewise_add, ["x", "y"], ["add_out"]) \ # 添加图中需要的单算子，及使用的tensor
         .reshape("add_out", lambda shape: [1, shape[0] * shape[1]], "add_out_") \ # 在需要更新输出tensor的shape时，使用lambda表达式动态更新
         .add_operation(elewise_mul, ["add_out_", "z"], ["out"]) \
         .build() # 结束构图、创建图算子

准备输入数据。

准备输入tensor，确保设备（npu、cpu）、数据类型符合预期。

x = torch.randn(2, 3, dtype=torch.float16).npu()  
y = torch.randn(2, 3, dtype=torch.float16).npu()

执行操作。

使用forward方法完成操作，并获取输出：

outputs = op.forward([x, y])  # 如果使用图算子，则outputs = graph.forward([x, y, z]) 
torch.npu.synchronize()

父主题： 加速库使用指导