pytorch-test

一、标准工作流程

请严格按以下 Step 依次执行，不要自行修改或跳过 Step：

Step 1: 标记已完成的 API

1. 定位文件：${ROOT_DIR}/PaConvert/paconvert/api_mapping.json 或 ${ROOT_DIR}/PaConvert/paconvert/attribute_mapping.json
2. 将已完成的 PyTorch API 的 Matcher 设置为ChangePrefixMatcher，其他字段全部删除掉

注意：

• torch.abs、torch.abs_、torch.Tensor.abs、torch.Tensor.abs_是四个不同的 API，需分别标记为 ChangePrefixMatcher。
• ⚠️ ChangePrefixMatcher 是 Step4 通过的标准，不可妥协：只有标记为 ChangePrefixMatcher，才能判定 API 已完成代码层面的对齐，禁止为了让测试通过而将 Matcher 改为其他类型（如 GenericMatcher、SliceScatterMatcher 等）。
• 如果配置为 ChangePrefixMatcher 无法运行通过单测，则视作未对齐，需执行回退。

Step 2: 增加测试用例

目的： 判断是否满足如下测试规范，如不满足，则需增加测试用例使之符合规范

修改位置：

• Pytorch 单测路径： ${ROOT_DIR}/PaConvert/tests/
• Pytorch 单测文件名： test_<API 名称>.py
• 测试文件命名规范：将 API 路径中的 . 替换为 _，Tensor 类保留大写 T，最终加上 test_ 前缀和 .py 后缀
  • torch.argmax → test_argmax.py（顶层函数）
  • torch.Tensor.argmax → test_Tensor_argmax.py（类方法）
  • torch.linalg.inv → test_linalg_inv.py（子模块）
• 新增测试 case 策略：若现有测试不满足规范，应新增测试 case（追加到后面），而非修改或删除已有测试

测试规范：

1. 参数覆盖要全面 测试所有可能的 Pytorch 参数用法：

   • 全部位置参数：func(a, b, c)
   • 全部关键字参数：func(x=a, y=b, z=c)
   • 混合参数：func(a, y=b, z=c)
   • 乱序关键字：func(z=c, x=a, y=b)
   • 指定所有默认参数：func(a, dim=0，offset=1)
   • 缺省所有默认参数：func(a)
   • 变量传参：args=(a,b); func(*args)
   • 参数别名：func(input=a, other=b)

2. 输入数据要有效

   • 不能使用全零张量等无效输入
   • 需要包含不同维度的输入（1D、2D、3D 等）
   • 覆盖不同数据类型（float32、float64、int 等）

3. 测试数量要充分

   • 涉及 N 个新参数时，包含各种排列组合的用法
   • 测试用例越多越好，充分验证功能正确性

测试用例模板：

import textwrap
import pytest
from apibase import APIBase

obj = APIBase("torch.target_api")

def test_case_1():
    """Basic usage"""
    pytorch_code = textwrap.dedent("""
        import torch
        result = torch.target_api(torch.tensor([1, 2, 3]))
    """)
    obj.run(pytorch_code, ["result"])

def test_case_2():
    """Positional arguments test"""
    pytorch_code = textwrap.dedent("""
        import torch
        x = torch.tensor([1.0, 2.0])
        result = torch.target_api(x, 2, 1)
    """)
    obj.run(pytorch_code, ["result"])

def test_case_3():
    """Keyword arguments test"""
    pytorch_code = textwrap.dedent("""
        import torch
        x = torch.tensor([1.0, 2.0])
        result = torch.target_api(input=x, dim=1, dtype=torch.float32)
    """)
    obj.run(pytorch_code, ["result"])

def test_case_4():
    """Keyword arguments out of order test"""
    pytorch_code = textwrap.dedent("""
        import torch
        x = torch.tensor([1.0, 2.0])
        result = torch.target_api(dtype=torch.float32, dim=1, input=x)
    """)
    obj.run(pytorch_code, ["result"])

def test_case_5():
    """Gradient computation test"""
    pytorch_code = textwrap.dedent("""
        import torch
        x = torch.tensor([1., 2.], requires_grad=True)
        y = torch.target_api(x)
        y.sum().backward()
        x_grad = x.grad
    """)
    # Skip gradient attribute check because Paddle's stop_gradient mechanism differs from PyTorch's requires_grad mechanism at the framework level.
    obj.run(pytorch_code, ["y", "x_grad"], check_stop_gradient=False)

def test_case_6():
    """Edge case test"""
    pytorch_code = textwrap.dedent("""
        import torch
        result = torch.target_api(torch.empty(0))
    """)
    obj.run(pytorch_code, ["result"])

def test_case_7():
    """Expression argument test"""
    pytorch_code = textwrap.dedent("""
        import torch
        result = torch.target_api(torch.tensor([1, 2, 3]), 1 + 1)
    """)
    obj.run(pytorch_code, ["result"])

Step 3: 编译并运行单测（每次修改代码均需执行编译）

单测补充完成后，按以下命令编译并验证执行：

cd ${ROOT_DIR}/Paddle/build
cmake .. && make -j$(nproc) > compile.log 2>&1
cd ${ROOT_DIR}/PaConvert/
python -m pytest tests/test_<API 名称>.py

根据报错信息修改测试用例或回退，确保所有测试用例通过。每次修改后均需要重新执行本步骤。

编译注意事项：

• 无需重装，直接生效（勿执行 setup/install 等安装操作）
• 勿删除 build 目录（否则增量编译失效，编译时间极长）

二、注意事项

1. 严格按标准工作流程执行，杜绝自行臆断和跳过步骤
2. 确保测试用例覆盖所有参数组合和边界情况
3. 验证通过是对齐的金标准，不可跳过
4. 复盘记忆中的历史易错点，避免重复犯错
5. PaConvert 说明：Pytorch->Paddle 代码转换工具，可以搭建起 Pytorch-Paddle API 之间的桥梁。

三、异常回退原则

本步骤的通过标准是 API 可配置为 ChangePrefixMatcher，若无法配置为 ChangePrefixMatcher，则需要根据错误信息回退到对应步骤：

1. 若判断为测试用例编写有误（如 PyTorch 代码语法错误、参数使用错误）：

   • 直接在本步骤修正测试用例
   • 无需回退到其他步骤

2. 若判断为代码实现有误（如参数处理逻辑错误、类型转换失败等）：

   • 回退到总步骤 Step2（代码修改）调整实现方式
   • 回退后再进入本步骤（Step4），则只需执行：运行单元测试，其他步骤无需执行

3. 若判断为方案选择错误（如当前方案不适用、底层不支持等）：

   • 回退到总步骤 Step1（选择方案）重新选择
   • 回退后再进入本步骤（Step4），则只需执行：运行单元测试，其他步骤无需执行

四、常见问题处理

Q1：报错（Failed to execute pytorch code）

根本原因：PyTorch 单元测试代码自身问题

处理策略：修改 PyTorch 单元测试代码，确保是正确可执行的 Pytorch 代码

Q2：报错（Failed to execute paddle code）

根本原因：Paddle API 修改不正确，导致代码无法执行

处理策略：回退到 Step1 或 Step2

Q3：报错（Unable to align results）

根本原因：Paddle API 修改不正确，计算结果与 PyTorch API 存在差异

处理策略：回退到 Step1 或 Step2

Q4：如何跳过测试用例

场景：Paddle 暂不支持某些功能（如类型提升、标量输入、特定硬件特性等），需要跳过对应测试用例

解决方法：

使用 pytest 的 skip 标记：

@pytest.mark.skip(reason="Not supported")
def test_unsupported_case():
    ...

@pytest.mark.skipif(condition=not paddle.device.is_compiled_with_cuda(), reason="Test requires CUDA")
def test_case_with_cuda():
    ...

注意：仅允许跳过 类型提升、标量输入、特定硬件特性 导致的失败用例，其他情况不允许跳过测试用例。

Q5：自定义比较逻辑

场景：默认的比较逻辑不适用，需要自定义比较方式（通常不需要）

解决方法：

class CustomAPIBase(APIBase):
    def compare(self, name, pytorch_result, paddle_result, ...):
        # 自定义比较逻辑
        pytorch_str = str(pytorch_result).removeprefix("torch.")
        assert pytorch_str == paddle_result

Q6：参数顺序不同导致 ChangePrefixMatcher 下位置传参测试失败

错误现象：标记为 ChangePrefixMatcher 后，torch 的位置参数调用（如 func(a, b, c)）因参数位置与 paddle 不一致而报错或结果不对齐。

根本原因：Step2 中只添加了参数名别名（通用装饰器），但没有处理参数顺序差异，导致位置传参时 torch 的第 N 个参数映射到了 paddle 错误的参数。

处理策略：返回 Step2，将通用别名装饰器升级为专用装饰器，在装饰器内通过位置参数类型/特征检测区分 torch 顺序和 paddle 顺序，将 torch 位置参数统一转换为 paddle 关键字参数后再调用。

典型案例：torch.nansum(input, dim, keepdim, *, dtype) vs paddle.nansum(x, axis, dtype, keepdim)

• 第 3 个位置参数在 torch 是 keepdim（bool），在 paddle 是 dtype（str/dtype）
• 通用别名装饰器无法解决位置顺序冲突
• 专用装饰器方案：检测第 3 个位置参数类型（bool → keepdim，str/type → dtype）来区分两套签名顺序