news 2026/5/11 13:35:01

CANN/ops-nn量化RMSNorm算子

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
CANN/ops-nn量化RMSNorm算子

aclnnAddRmsNormQuantV2

【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn

📄 查看源码

产品支持情况

产品是否支持
Ascend 950PR/Ascend 950DT×
Atlas A3 训练系列产品/Atlas A3 推理系列产品√
Atlas A2 训练系列产品/Atlas A2 推理系列产品√
Atlas 200I/500 A2 推理产品×
Atlas 推理系列产品√
Atlas 训练系列产品×

功能描述

  • 接口功能：RmsNorm是大模型常用的标准化操作，相比LayerNorm，其去掉了减去均值的部分。AddRmsNormQuant算子将RmsNorm前的Add算子以及RmsNorm归一化的输出给到1个或2个Quantize算子融合起来，减少搬入搬出操作。AddRmsNormQuantV2算子相较于AddRmsNormQuant在RmsNorm计算过程中增加了偏置项betaOptional参数，即计算公式中的beta。

  • 计算公式：

    $$ x_i={x1}_i+{x2}_i $$

    $$ y_i=\frac{1}{\operatorname{Rms}(\mathbf{x})} * x_i * gamma_i + beta, \quad \text { where } \operatorname{Rms}(\mathbf{x})=\sqrt{\frac{1}{n} \sum_{i=1}^n x_i^2+epsilon} $$

    $$ rmsNormOut_i=\frac{1}{\operatorname{Rms}(x_i)} * x_i * gamma_i $$

    • divMode为True时：

      $$ y1Out=round((y/scales1)+zeroPoints1Optional) $$

      $$ y2Out=round((y/scales2)+zeroPoints2Optional) $$

    • divMode为False时：

      $$ y1Out=round((y*scales1)+zeroPoints1Optional) $$

      $$ y2Out=round((y*scales2)+zeroPoints2Optional) $$

函数原型

每个算子分为两段式接口，必须先调用aclnnAddRmsNormQuantV2GetWorkspaceSize接口获取入参并根据计算流程所需workspace大小，再调用aclnnAddRmsNormQuantV2接口执行计算。

aclnnStatus aclnnAddRmsNormQuantV2GetWorkspaceSize( const aclTensor *x1, const aclTensor *x2, const aclTensor *gamma, const aclTensor *scales1, const aclTensor *scales2Optional, const aclTensor *zeroPoints1Optional, const aclTensor *zeroPoints2Optional, const aclTensor *betaOptional, int64_t axis, double epsilon, bool divMode, aclTensor *y1Out, aclTensor *y2Out, aclTensor *xOut, aclTensor *rmsNormOut, uint64_t *workspaceSize, aclOpExecutor **executor)
aclnnStatus aclnnAddRmsNormQuantV2( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)

aclnnAddRmsNormQuantV2GetWorkspaceSize

  • 参数说明

    参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续Tensor
    x1（aclTensor*）输入表示标准化过程中的源数据张量。对应公式中的`x1`。支持空Tensor。FLOAT16、BFLOAT16ND1-8√
    x2（aclTensor*）输入表示标准化过程中的源数据张量。对应公式中的`x2`。
    • 支持空Tensor。
    • shape和数据类型需要与`x1`保持一致。
    		FLOAT16、BFLOAT16ND1-8√
    gamma（aclTensor*）输入表示标准化过程中的权重张量。对应公式中的`gamma`。
    • 支持空Tensor。
    • 数据类型需要与`x1`保持一致。
    • shape需要与`x1`需要norm的维度保持一致。
    		FLOAT16、BFLOAT16ND1-8√
    scales1（aclTensor*）输入表示量化过程中得到y1Out进行的scales张量，对应公式中的`scales1`。
    • 支持空Tensor。
    • shape需要与`gamma`保持一致。
    • 当参数divMode的值为True时，该参数的值不能为0。
    		FLOAT32、BFLOAT16ND1-8√
    scales2Optional（aclTensor*）输入表示量化过程中得到y2Out进行的scales张量。对应公式中的`scales2`。
    • 支持空Tensor。
    • 可选参数，支持传入空指针。
    • shape和数据类型需要与`scales1`保持一致。
    • 当参数`divMode`的值为True时，该参数的值不能为0。
    		FLOAT32、BFLOAT16ND1-8√
    zeroPoints1Optional（aclTensor*）输入表示量化过程中得到y1Out进行的offset张量。对应公式中的`zeroPoints1Optional`。
    • 支持空Tensor。
    • 可选参数，支持传入空指针。
    • shape需要与`gamma`保持一致。
    		INT32、BFLOAT16ND1-8√
    zeroPoints2Optional（aclTensor*）输入表示量化过程中得到y2Out进行的offset张量。对应公式中的`zeroPoints2Optional`。
    • 支持空Tensor。
    • 可选参数，支持传入空指针。
    • 数据类型需要与`zeroPoints1Optional`保持一致。
    • shape需要与`gamma`保持一致。
    		INT32、BFLOAT16ND1-8√
    betaOptional（aclTensor*）输入表示标准化过程中的偏置项。对应公式中的`beta`。
    • 支持空Tensor。
    • 可选参数，支持传入空指针。
    • shape和数据类型需要与`gamma`保持一致。
    		FLOAT16、BFLOAT16---
    axis（int64_t）输入表示需要进行量化的elewise轴，其他的轴做broadcast，指定的轴不能超过输入`x1`的维度数。当前仅支持-1，传其他值均不生效。----
    epsilon（double）输入表示用于防止除0错误，对应公式中的`epsilon`。建议传较小的正数。----
    divMode（bool）输入表示决定量化公式是否使用除法的参数，对应公式中的`divMode`。-----
    y1Out（aclTensor*）输出表示量化输出Tensor，对应公式中的`y1Out`。
    • 支持空Tensor。
    • shape需要与输入`x1`/`x2`一致。
    		INT8ND1-8√
    y2Out（aclTensor*）输出表示量化输出Tensor，对应公式中的`y2Out`。
    • 支持空Tensor。
    • 可选输出。
    • shape需要与输入`x1`/`x2`一致。
    • 当`scales2Optional`为空时，该输出的值无效。
    		INT8ND1-8√
    xOut（aclTensor*）输出表示x1和x2的和，对应公式中的`x`。
    • 支持空Tensor。
    • shape和数据类型需要与输入`x1`/`x2`一致。
    		FLOAT16、BFLOAT16ND1-8√
    rmsNormOut（aclTensor*）输出表示进行RmsNorm之后的结果，对应公式中的`rmsNormOut`。
    • 支持空Tensor。
    • 可选输出。
    • shape和数据类型需要与输入`x1`/`x2`一致。
    		FLOAT16、BFLOAT16ND1-8√
    workspaceSize（uint64_t*）输出返回需要在Device侧申请的workspace大小。-----
    executor（aclOpExecutor**）输出返回op执行器，包含了算子计算流程。-----
    • Atlas 推理系列产品 ：参数x1、x2、gamma、scales1、scales2Optional、zeroPoints1Optional、zeroPoints2Optional、betaOptional、xOut、rmsNormOut的数据类型不支持BFLOAT16。

  • 返回值

    aclnnStatus：返回状态码，具体参见aclnn返回码。

    第一段接口完成入参校验，出现以下场景时报错：

    返回码错误码描述
    ACLNN_ERR_PARAM_NULLPTR161001如果传入参数是必选输入，输出或者必选属性，且是空指针，则返回161001。
    ACLNN_ERR_PARAM_INVALID161002输入或输出的数据类型不在支持的范围之内。

aclnnAddRmsNormQuantV2

  • 参数说明

    参数名输入/输出描述
    workspace输入在Device侧申请的workspace内存地址。
    workspaceSize输入在Device侧申请的workspace大小，由第一段接口aclnnAddRmsNormQuantV2GetWorkspaceSize获取。
    executor输入op执行器，包含了算子计算流程。
    stream输入指定执行任务的Stream。

  • 返回值

    aclnnStatus：返回状态码。（具体参见aclnn返回码）

约束说明

  • Atlas 推理系列产品 ：x1、x2需要norm的维度数据个数不能小于32。gamma、betaOptional、scales1、scales2Optional、zeroPoints1Optional、zeroPoints2Optional的数据个数不能小于32。

  • 输入gamma、scales1、scales2Optional、zeroPoints1Optional、zeroPoints2Optional、betaOptional、divMode、y1Out、y2Out、xOut、rmsNormOut支持的场景和组合如下所示：

    • Atlas A2 训练系列产品/Atlas A2 推理系列产品 、 Atlas A3 训练系列产品/Atlas A3 推理系列产品 ：

      gammascales1scales2OptionalzeroPoints1OptionalzeroPoints2OptionalbetaOptionaldivModey1Outy2OutxOutrmsNormOut
      shape为[x1的最后一维]或[1, x1的最后一维]shape为[1]空指针必传，shape为[1]空指针必传且shape与gamma保持一致True必传输出无效必传空指针
      shape为[x1的最后一维]或[1, x1的最后一维]shape为[1]空指针必传，shape为[1]空指针空指针True必传输出无效空指针必传
      shape与x1需要norm的维度一致shape与gamma保持一致可选，shape与gamma保持一致可选，shape与gamma保持一致可选，shape与gamma保持一致可选，shape与gamma保持一致True/False必传当scales2Optional为空时，该输出无效；当scales2Optional非空时，该输出有效必传空指针

    • Atlas 推理系列产品 ：

      gammascales1scales2OptionalzeroPoints1OptionalzeroPoints2OptionalbetaOptionaldivModey1Outy2OutxOutrmsNormOut
      shape与x1需要norm的维度一致shape与gamma保持一致可选，shape与gamma保持一致可选，shape与gamma保持一致可选，shape与gamma保持一致可选，shape与gamma保持一致True/False必传当scales2Optional为空时，该输出无效；当scales2Optional非空时，该输出有效必传空指针

  • 边界值场景说明：

    • Atlas 推理系列产品 ：输入不支持包含inf和NaN。
    • Atlas A2 训练系列产品/Atlas A2 推理系列产品 、 Atlas A3 训练系列产品/Atlas A3 推理系列产品 ：当输入是inf时，输出为inf。当输入是NaN时，输出为NaN。

  • 维度的边界说明：

    参数x1、x2、gamma、scales1、scales2Optional、zeroPoints1Optional、zeroPoints2Optional、betaOptional、y1Out、y2Out、xOut、rmsNormOut的shape中每一维大小都不大于INT32的最大值2147483647。

  • 数据格式说明：

    所有输入输出Tensor的数据格式推荐使用ND格式，其他数据格式会由框架默认转换成ND格式进行处理。

  • 各产品型号支持数据类型说明：

    • Atlas A2 训练系列产品/Atlas A2 推理系列产品 、 Atlas A3 训练系列产品/Atlas A3 推理系列产品 ：

      | x1数据类型 | x2数据类型 | gamma数据类型 | scales1数据类型 | scales2Optional数据类型 | zeroPoints1Optional数据类型 | zeroPoints2Optional数据类型 | betaOptional数据类型 | y1Out数据类型 | y2Out数据类型 | xOut数据类型 | rmsNormOut数据类型 | | - | - | - | - | - | - | - | - | - | - | - | - | | FLOAT16 | FLOAT16 | FLOAT16 | FLOAT32 | FLOAT32 | INT32 | INT32 | FLOAT16 | INT8 | INT8 | FLOAT16 | FLOAT16 | | BFLOAT16 | BFLOAT16 | BFLOAT16 | BFLOAT16 | BFLOAT16 | BFLOAT16 | BFLOAT16 | BFLOAT16 | INT8 | INT8 | BFLOAT16 | BFLOAT16 |

    • Atlas 推理系列产品 ：

      | x1数据类型 | x2数据类型 | gamma数据类型 | scales1数据类型 | scales2Optional数据类型 | zeroPoints1Optional数据类型 | zeroPoints2Optional数据类型 | betaOptional数据类型 | y1Out数据类型 | y2Out数据类型 | xOut数据类型 | rmsNormOut数据类型 | | - | - | - | - | - | - | - | - | - | - | - | - | | FLOAT16 | FLOAT16 | FLOAT16 | FLOAT32 | FLOAT32 | INT32 | INT32 | FLOAT16 | INT8 | INT8 | FLOAT16 | FLOAT16 |

  • 确定性计算：

    • aclnnAddRmsNormQuantV2默认确定性实现。

调用示例

示例代码如下，仅供参考，具体编译和执行过程请参考编译与运行样例。

#include <iostream> #include <vector> #include "acl/acl.h" #include "aclnnop/aclnn_add_rms_norm_quant_v2.h" #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vector<int64_t>& shape) { int64_t shape_size = 1; for (auto i : shape) { shape_size *= i; } return shape_size; } int Init(int32_t deviceId, aclrtStream* stream) { // 固定写法，资源初始化 auto ret = aclInit(nullptr); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret); ret = aclrtSetDevice(deviceId); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret); ret = aclrtCreateStream(stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret); return 0; } template <typename T> int CreateAclTensor( const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr, aclDataType dataType, aclTensor** tensor) { auto size = GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret); // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上 ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret); // 计算连续tensor的strides std::vector<int64_t> strides(shape.size(), 1); for (int64_t i = shape.size() - 2; i >= 0; i--) { strides[i] = shape[i + 1] * strides[i + 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor = aclCreateTensor( shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { // 1. （固定写法）device/stream初始化，参考acl API手册 // 根据自己的实际device填写deviceId int32_t deviceId = 0; aclrtStream stream; auto ret = Init(deviceId, &stream); // check根据自己的需要处理 CHECK_RET(ret == 0, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret); // 2. 构造输入与输出，需要根据API的接口自定义构造 std::vector<int64_t> xShape = {64, 32}; std::vector<int64_t> gammaShape = {32}; std::vector<int64_t> yShape = {64, 32}; long long xShapeSize = GetShapeSize(xShape); long long gammaShapeSize = GetShapeSize(gammaShape); void* x1DeviceAddr = nullptr; void* x2DeviceAddr = nullptr; void* gammaDeviceAddr = nullptr; void* betaDeviceAddr = nullptr; void* scales1DeviceAddr = nullptr; void* zeroPoints1DeviceAddr = nullptr; void* y1DeviceAddr = nullptr; void* y2DeviceAddr = nullptr; void* xDeviceAddr = nullptr; aclTensor* x1 = nullptr; aclTensor* x2 = nullptr; aclTensor* gamma = nullptr; aclTensor* beta = nullptr; aclTensor* scales1 = nullptr; aclTensor* zeroPoints1 = nullptr; aclTensor* y1 = nullptr; aclTensor* y2 = nullptr; aclTensor* x = nullptr; std::vector<int16_t> x1HostData(xShapeSize, 0); std::vector<int16_t> x2HostData(xShapeSize, 0); std::vector<int16_t> gammaHostData(gammaShapeSize, 0); std::vector<int16_t> betaHostData(gammaShapeSize, 0); std::vector<float> scales1HostData(gammaShapeSize, 1); std::vector<int32_t> zeroPoints1HostData(gammaShapeSize, 100); std::vector<int8_t> y1HostData(xShapeSize, 0); std::vector<int8_t> y2HostData(xShapeSize, 0); std::vector<int16_t> xHostData(xShapeSize, 0); float epsilon = 1e-6; int64_t axis = -1; bool divMode = true; // 创建x1 aclTensor ret = CreateAclTensor(x1HostData, xShape, &x1DeviceAddr, aclDataType::ACL_FLOAT16, &x1); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建x2 aclTensor ret = CreateAclTensor(x2HostData, xShape, &x2DeviceAddr, aclDataType::ACL_FLOAT16, &x2); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建gamma aclTensor ret = CreateAclTensor(gammaHostData, gammaShape, &gammaDeviceAddr, aclDataType::ACL_FLOAT16, &gamma); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建beta aclTensor ret = CreateAclTensor(betaHostData, gammaShape, &betaDeviceAddr, aclDataType::ACL_FLOAT16, &beta); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建scales1 aclTensor ret = CreateAclTensor(scales1HostData, gammaShape, &scales1DeviceAddr, aclDataType::ACL_FLOAT, &scales1); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建zeroPoints1 aclTensor ret = CreateAclTensor(zeroPoints1HostData, gammaShape, &zeroPoints1DeviceAddr, aclDataType::ACL_INT32, &zeroPoints1); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建y1 aclTensor ret = CreateAclTensor(y1HostData, yShape, &y1DeviceAddr, aclDataType::ACL_INT8, &y1); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建y2 aclTensor ret = CreateAclTensor(y2HostData, yShape, &y2DeviceAddr, aclDataType::ACL_INT8, &y2); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建x aclTensor ret = CreateAclTensor(xHostData, xShape, &xDeviceAddr, aclDataType::ACL_FLOAT16, &x); CHECK_RET(ret == ACL_SUCCESS, return ret); // 3. 调用CANN算子库API，需要修改为具体的API uint64_t workspaceSize = 0; aclOpExecutor* executor; // 调用aclnnAddRmsNormQuantV2第一段接口 ret = aclnnAddRmsNormQuantV2GetWorkspaceSize( x1, x2, gamma, scales1, nullptr, zeroPoints1, nullptr, beta, axis, epsilon, divMode, y1, y2, x, nullptr, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnAddRmsNormQuantV2GetWorkspaceSize failed. ERROR: %d\n", ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void* workspaceAddr = nullptr; if (workspaceSize > 0) { ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret;); } // 调用aclnnAddRmsNormQuantV2第二段接口 ret = aclnnAddRmsNormQuantV2(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnAddRmsNormQuantV2 failed. ERROR: %d\n", ret); return ret); // 4. （固定写法）同步等待任务执行结束 ret = aclrtSynchronizeStream(stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret); // 5. 获取输出的值，将device侧内存上的结果拷贝至host侧，需要根据具体API的接口定义修改 auto size = GetShapeSize(yShape); std::vector<int8_t> resultData(size, 0); ret = aclrtMemcpy( resultData.data(), resultData.size() * sizeof(resultData[0]), y1DeviceAddr, size * sizeof(int8_t), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret); for (int64_t i = 0; i < size; i++) { LOG_PRINT("result[%ld] is: %d\n", i, resultData[i]); } // 6. 释放aclTensor和aclScalar，需要根据具体API的接口定义修改 aclDestroyTensor(x1); aclDestroyTensor(x2); aclDestroyTensor(gamma); aclDestroyTensor(beta); aclDestroyTensor(scales1); aclDestroyTensor(zeroPoints1); aclDestroyTensor(y1); aclDestroyTensor(y2); aclDestroyTensor(x); // 7. 释放device资源，需要根据具体API的接口定义修改 aclrtFree(x1DeviceAddr); aclrtFree(x2DeviceAddr); aclrtFree(gammaDeviceAddr); aclrtFree(betaDeviceAddr); aclrtFree(scales1DeviceAddr); aclrtFree(zeroPoints1DeviceAddr); aclrtFree(y1DeviceAddr); aclrtFree(y2DeviceAddr); aclrtFree(xDeviceAddr); if (workspaceSize > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }

【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/5/11 13:34:49

碧蓝航线终极皮肤解锁指南：Perseus补丁完整配置教程

碧蓝航线终极皮肤解锁指南&#xff1a;Perseus补丁完整配置教程 【免费下载链接】Perseus Azur Lane scripts patcher. 项目地址: https://gitcode.com/gh_mirrors/pers/Perseus 你是否在碧蓝航线中看着心仪的皮肤却无法拥有&#xff1f;是否厌倦了每次游戏更新后辅助工…

作者头像 李华
网站建设 2026/5/11 13:33:51

AI写专著的高效秘诀：4款AI工具，20万字专著轻松到手

首次尝试写学术专著的挑战与 AI 工具解决方案 对于首次尝试写学术专著的研究者来说&#xff0c;撰写过程就像是一场“摸着石头过河”的探险&#xff0c;充满了许多未知的挑战。首先是在选题时容易迷失方向&#xff0c;不知道如何在“具有研究价值”和“可行性”之间找到一个合…

作者头像 李华
网站建设 2026/5/11 13:33:47

PptxGenJS：JavaScript PowerPoint生成库的技术架构与实战指南

PptxGenJS&#xff1a;JavaScript PowerPoint生成库的技术架构与实战指南 【免费下载链接】PptxGenJS Build PowerPoint presentations with JavaScript. Works with Node, React, web browsers, and more. 项目地址: https://gitcode.com/gh_mirrors/pp/PptxGenJS Pptx…

作者头像 李华
网站建设 2026/5/11 13:33:15

Mathematics Dataset入门教程：5步掌握数学问题生成的核心方法

Mathematics Dataset入门教程&#xff1a;5步掌握数学问题生成的核心方法 【免费下载链接】mathematics_dataset This dataset code generates mathematical question and answer pairs, from a range of question types at roughly school-level difficulty. 项目地址: http…

作者头像 李华