CONTRIBUTING.zh.md · 王超/pytorch_2

# PyTorch贡献指南
-   [贡献者许可协议](#贡献者许可协议.md)
-   [入门](#入门.md)
-   [开发指导](#开发指导.md)
    -   [测试用例](#测试用例.md)
    -   [代码风格](#代码风格.md)
    -   [门禁异常处理](#门禁异常处理.md)
    -   [Fork-Pull开发模式](#Fork-Pull开发模式.md)
    -   [报告问题](#报告问题.md)
    -   [提出PR](#提出PR.md)
<h2 id="贡献者许可协议.md">贡献者许可协议</h2>

在您第一次向 PyTorch 社区提交代码之前，需要签署 CLA。

对于个人贡献者，详细信息请参考[ICLA 在线文档](https://www.mindspore.cn/icla)。

-   在[Gitee](https://gitee.com/ascend/pytorch)上Fork存储库。
-   阅读[README.md](#https://gitee.com/ascend/pytorch/blob/master/README.zh.md)以获取项目信息和构建说明。
-   行为准则 [coc](https://gitee.com/ascend/community/blob/master/code-of-conduct_zh_cn.md)。

-   **[测试用例](#测试用例.md)**

-   **[代码风格](#代码风格.md)**

-   **[门禁异常处理](#门禁异常处理.md)**

-   **[Fork-Pull开发模式](#Fork-Pull开发模式.md)**

-   **[报告问题](#报告问题.md)**

-   **[提出PR](#提出PR.md)**

通过具体示例，完成PyTorch的功能测试。

1.  编写测试脚本。

以add运算为例，在“pytorch/test/test\_network\_ops“路径下编写测试脚本文件： test\_add.py。

以下示例仅为一个简单的用例实现，供用户参考。具体测试用例的实现，需要根据运算定义进行完整的覆盖才能保证功能的基本正确。

```
    # 引入依赖库
    import sys
    import torch
    import torch_npu
    import numpy as np

from torch_npu.testing.testcase import TestCase, run_tests
    from torch_npu.testing.common_utils import create_common_tensor

# 定义add测试用例类
    class TestAdd(TestCase):
    
        # 定义CPU的add执行函数
        def cpu_op_exec(self, input1, input2):
            output = torch.add(input1, input2, alpha = 1)
            output = output.numpy()
            return output
    
        # 定义NPU的add执行函数
        def npu_op_exec_new(self, input1, input2):
            output = torch.add(input1, input2, alpha = 1)
            output = output.to("cpu")
            output = output.numpy()
            return output
    
        # 定义add对应场景通用函数，该函数中负责场景对应输入数据和对比CPU和NPU返回结果
        def add_result(self, shape_format):
            for item in shape_format:
                cpu_input1, npu_input1 = create_common_tensor(item, 0, 100)
                cpu_input2, npu_input2 = create_common_tensor(item, 0, 100)
                if cpu_input1.dtype == torch.float16:
                    cpu_input1 = cpu_input1.to(torch.float32)
                    cpu_input2 = cpu_input2.to(torch.float32)                
                cpu_output = self.cpu_op_exec(cpu_input1, cpu_input2)
                npu_output = self.npu_op_exec_new(npu_input1, npu_input2)
                cpu_output = cpu_output.astype(npu_output.dtype)            
                self.assertRtolEqual(cpu_output, npu_output)
    
        # 定义具体add场景的测试用例，用例函数需要以test_开头
        def test_add_shape_format_fp32_2d(self):
            format_list = [0, 3, 29]
            shape_format = [
                [np.float32, i, [5, 256]]  for i in format_list 
            ]        
            self.add_result(shape_format)
    
    if __name__ == "__main__":
        run_tests()
    ```

2.  设置环境变量。

进入"pytorch"根目录，并执行env.sh脚本。

```
    bash env.sh
    ```

3.  执行测试用例脚本。

进入“test\_add.py“所在的目录，执行：

```
    python3.7 test_add.py
    ```

请遵循这些风格，以使 PyTorch 易于开发、审查和维护。

-   编码指南

请在PyTorch社区使用规统一的编码分格，python建议的编码风格是[PEP 8编码样式](https://pep8.org/)，C++编码所建议的风格是  [Google C++编码指南](http://google.github.io/styleguide/cppguide.html)  。可以使用[CppLint](https://github.com/cpplint/cpplint)，[CppCheck](http://cppcheck.sourceforge.net/)，[CMakeLint](https://github.com/cmake-lint/cmake-lint)，[CodeSpell](https://github.com/codespell-project/codespell)，  [Lizard](http://www.lizard.ws/)，[ShellCheck](https://github.com/koalaman/shellcheck)和[pylint](https://pylint.org/)检查代码的格式，建议在您的IDE中安装这些插件。

-   单元测试指南

请在PyTorch社区使用统一的单元测试风格，  Python中建议的单元测试风格是[pytest](http://www.pytest.org/en/latest/)，C++单元测试所建议的风格是  [Googletest Primer](#https://github.com/google/googletest/blob/master/docs/primer.md)  。测试用例的设计意图应该通过它的注释名称来反映。

-   重构指南

我们鼓励开发人员重构我们的代码以消除[代码异味](https://en.wikipedia.org/wiki/Code_smell)。所有的代码都应该符合编码风格和测试风格的需求，重构代码也不例外。当您收到警告时，您必须重构要合并的代码。

<h2 id="门禁异常处理.md">门禁异常处理</h2>

门禁异常主要包含如下几种，请根据相关提示解决异常问题。

-   编译异常

请检查代码编译失败的原因，解决问题后重新编译即可。

-   静态检查异常（代码Bug、代码漏洞、代码异味）

请依照提示查找代码中的异常并解决。

-   UT测试未通过

请根据提示，查找测试用例不通过项并检查原因，解决后再测试。

<h2 id="Fork-Pull开发模式.md">Fork-Pull开发模式</h2>

1.  Fork PyTorch存储库。

在向PyTorch项目提交代码之前，请确保该项目已经Fork到您自己的存储库。这意味着PyTorch存储库和您自己的存储库之间将存在并行开发，因此请注意避免存储库之间的不一致。

2.  克隆远程仓库。

如果要将代码下载到本地环境，git是很好的方法：

```
    # For Gitee
    git clone https://gitee.com/{insert_your_forked_repo}/pytorch.git
    git remote add upstream https://gitee.com/pytorch/pytorch.git
    ```

3.  本地开发代码。

为了避免多个分支之间的不一致，建议创建新的分支进行开发：

```
    git checkout -b {new_branch_name} origin/master
    ```

以master分支为例，PyTorch可能会根据需要创建版本分支和下游开发分支，请先修复上游的bug。然后就可以随意更改代码了。

4.  将代码推送到远程仓库。

更新代码后，您需要以正式的方式推送更新：

```
    git add .
    git status # Check the update status
    git commit -m "Your commit title"
    git commit -s --amend #Add the concrete description of your commit
    git push origin {new_branch_name}
    ```

5.  向 PyTorch存储库拉取请求。

在最后一步中，您需要在新分支和“PyTorch master“分支之间拉取比较请求。完成拉取请求后，“Jenkins CI“将自动设置为构建测试。您的pull request应该尽快合并到上游 master 分支，以降低合并的风险。

为项目做出贡献的一个好方法是在遇到问题时发送详细报告。我们总是很感激写得很好、彻底的错误报告，并会由此感谢您！

报告问题时，请参考以下格式：

-   您使用的是什么版本的环境 （pytorch、os、python 等）？
-   这是错误报告还是功能请求？
-   什么样的问题，添加标签以在问题仪表板上突出显示。
-   发生了什么？
-   您预计会发生什么？
-   如何重现它？（尽可能最小和精确。）
-   给审稿人的特别说明？

问题咨询：

-   如果您发现一个未解决的问题，而这正是您要解决的问题，请对该问题发表一些评论，告诉其他人您将负责它。
-   如果问题已打开一段时间，建议贡献者在解决该问题之前进行预检查。
-   如果您解决了自己报告的问题，则还需要在关闭该问题之前让其他人知道。

-   在[Gitee](https://gitee.com/ascend/pytorch/issues)上提出您的想法作为_问题_。
-   如果是需要大量设计细节的新功能，还应提交设计方案。
-   在问题讨论和设计提案审查中达成共识后，完成分叉回购的开发并提交 PR（Pull Request）。
-   在从批准者那里收到2+ LGTM（Looks Good To Me）之前，不允许任何PR 。请注意，审批人不允许在自己的 PR 上添加LGTM。
-   在 PR 被充分讨论后，它将根据讨论的结果被合并、放弃或拒绝。

公关咨询：

-   应避免任何不相关的更改。
-   确保你的提交历史被排序。
-   始终将您的分支与主分支保持一致。
-   对于错误修复 PR，请确保链接所有相关问题。

王超/pytorch_2

简介

发行版

贡献者

近期动态

王超/pytorch_2 .gitee-modal { width: 500px !important; }

简介

发行版

贡献者

近期动态

搜索帮助

王超/pytorch_2