Sigmoid 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

Sigmoid 算子对输入张量完成 Sigmoid 运算，将任意实数映射到 (0, 1) 区间。

主要应用场景：

• 二分类任务的输出层激活
• 门控机制（LSTM、GRU 等 RNN 中的门控信号）
• 注意力权重计算
• 概率输出的归一化

算子特征：

• 难度等级：L1（Elementwise）
• 单输入单输出，逐元素运算，输出 shape 与输入完全一致
• 支持 ND 格式输入

2. 算子定义

数学公式

$$ y = \frac{1}{1 + e^{-x}} $$

特殊情况

3. 接口规范

算子原型

cann_bench.sigmoid(Tensor x) -> Tensor y

输入参数说明

输出

数据类型

规则与约束

• 输出 shape 与输入 shape 完全一致，输出 dtype 与输入 dtype 一致
• 无额外属性参数

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 def sigmoid( x: torch.Tensor ) -> torch.Tensor: """ 对输入Tensor完成Sigmoid运算 公式: y = 1 / (1 + e^(-x)) Args: x: 输入张量 Returns: 输出张量，Sigmoid激活结果 """ y = torch.sigmoid(x) return y

6. 额外信息

算子调用示例

import torch import cann_bench x = torch.randn(1024, 1024, dtype=torch.float32, device="npu") y = cann_bench.sigmoid(x)

【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