企业官网建设流程全解析

Maximum 算子 API 描述

【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台，推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench

1. 算子简介

返回两个输入张量中的最大值，支持广播。

主要应用场景：

• ReLU 激活函数实现（与零取最大值）
• 梯度裁剪中的阈值限制
• 多路径特征融合中的逐元素最大值选择
• 数值计算中的下界约束

算子特征：

• 难度等级：L2（Broadcast）
• 双输入单输出，逐元素运算，输入支持广播

2. 算子定义

数学公式

$$ y = \max(x_1, x_2) $$

逐元素比较 $x_1$ 和 $x_2$，返回每个位置上的较大值。

3. 接口规范

算子原型

cann_bench.maximum(Tensor x1, Tensor x2) -> Tensor y

输入参数说明

输出

数据类型

规则与约束

• 两个输入张量的 shape 需满足广播规则，输出 shape 为广播后的 shape
• 两个输入张量的 dtype 必须一致
• 支持浮点类型（bfloat16、float16、float32）、整数类型（int8、int32、int64）及布尔类型
• 当输入包含 NaN 时，行为与 PyTorch torch.maximum 一致（NaN 会传播）
• 当输入包含 inf/-inf 时，按正常数值比较规则处理

4. 精度要求

采用生态算子精度标准进行验证。

误差指标：

1. 平均相对误差（MERE）：采样点中相对误差平均值

   $$ \text{MERE} = \text{avg}(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)+\text{1e-7}}) $$

2. 最大相对误差（MARE）：采样点中相对误差最大值

   $$ \text{MARE} = \max(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)+\text{1e-7}}) $$

通过标准：

当平均相对误差 MERE < Threshold，最大相对误差 MARE < 10 * Threshold 时判定为通过。

5. 标准 Golden 代码

import torch """ Maximum算子Torch Golden参考实现 返回两个输入张量中的最大值，支持广播 公式: y = max(x1, x2) """ def maximum( x1: torch.Tensor, x2: torch.Tensor ) -> torch.Tensor: """ 返回两个输入张量中的最大值，支持广播 公式: y = max(x1, x2) Args: x1: 第1个输入张量 x2: 第2个输入张量 Returns: 输出张量，两个输入中的最大值 """ y = torch.maximum(x1, x2) return y

6. 额外信息

算子调用示例

import torch import cann_bench x1 = torch.randn(1024, 1024, dtype=torch.float16, device="npu") x2 = torch.randn(1024, 1024, dtype=torch.float16, device="npu") y = cann_bench.maximum(x1, x2) # 广播场景：标量广播 x1 = torch.randn(2, 8, 256, 256, dtype=torch.float32, device="npu") x2 = torch.tensor([0.0], dtype=torch.float32, device="npu") y = cann_bench.maximum(x1, x2) # 类似 ReLU # 整数类型 x1 = torch.randint(-128, 127, (512, 512, 4), dtype=torch.int8, device="npu") x2 = torch.randint(-10, 10, (1, 512, 1), dtype=torch.int8, device="npu") y = cann_bench.maximum(x1, x2)

【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台，推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench