1 赛项背景

在数字化和智能化的浪潮中，高效计算技术对各行业发展至关重要。算子作为计算任务的基本单元，广泛应用于数据处理、数学计算、图像处理、机器学习等领域，其性能和效率直接影响系统表现。然而，随着数据规模和计算需求的增长，传统算子已难以满足现代应用的要求。

高效、优化的算子开发变得尤为重要，需适应不同硬件平台（如CPU、GPU、FPGA等），并在多线程、多核环境中实现并行计算。现代计算平台的异构化发展，使得算子开发面临挑战，如在GPU上优化矩阵运算以加速深度学习模型训练，在FPGA上实现低延迟数据处理，利用多核CPU进行并行计算等。

此外，深度学习框架（如TensorFlow、PyTorch）的普及，使得高效算子的需求更加迫切。优化这些算子可显著提升模型性能，推动AI技术的发展。

为解决这些挑战，我们举办算子开发任务挑战赛，激励参赛者开发创新算子，实现计算性能突破，并推动技术应用。比赛提供学习和交流机会，参赛者可与业内专家互动，了解最新技术动态和最佳实践。希望通过比赛，发掘优秀算子开发方案和人才，推动高性能计算技术发展，为行业数字化和智能化提供技术支持。

2 赛项信息

赛项名称：Tecorigin 算子开发任务挑战赛

赛项主题：高效计算，开源创新

赛项目的：通过举办Tecorigin 开源算子开发任务挑战赛，旨在集聚全球开发者的智慧和创新，推动计算技术的发展，为构建智能未来提供强有力的技术支持和人才储备。

3 竞赛题目

【初赛赛题】：

赛题一：tecoalArgmax 算子优化

随着人工智能技术的迅猛发展，深度学习在各种领域中得到了广泛的应用。为了提高深度学习模型的性能和效率，优化算子的执行速度和资源利用率变得尤为重要。算子性能优化大赛旨在促进高性能计算技术的研究与应用，通过竞赛的形式激励开发者优化深度学习算子，从而推动整个行业的发展。

在本次赛题，我们选取了 tecoalArgmax 算子作为优化对象。tecoalArgmax 算子的功能是沿给定维度寻找张量的最大值坐标，这是深度学习中常见且重要的操作之一，广泛应用于分类任务、目标检测等场景中。

接口原型、参数解释及其限制，详见：https://gitee.com/tecorigin/teco-al/blob/develop/doc/op_docs/arg_max.md

赛题二：tecoalActivationBackward 算子优化

在深度学习中，激活函数是神经网络的关键组件，用于引入非线性特性，使网络能够学习和表示复杂的函数映射。反向传播过程中，激活函数的梯度计算至关重要，它决定了参数更新的方向和幅度。

tecoalActivationBackward 算子用于计算激活函数的反向梯度，其性能直接影响到整个网络的训练速度和效率。针对 SiLU（Sigmoid Linear Unit）激活函数的梯度计算进行优化，可以显著提升神经网络的训练性能。

接口原型、参数解释及其限制，详见：

https://gitee.com/tecorigin/teco-al/blob/develop/doc/op_docs/activation_backward.md

【决赛赛题】：

tecoalConvolutionForward算子优化

深度学习中的卷积操作是图像处理和计算机视觉任务的核心组件，它能够提取图像中的特征，并在分类、检测、分割等任务中发挥关键作用。卷积算子的高效实现是保证深度学习模型实时推理能力的重要因素之一。

tecoalConvolutionForward算子执行的卷积操作是卷积神经网络（CNN）的基础组件，对其进行性能优化可以大幅度提升模型的整体计算效率。该算子使用指定的权重w对输入张量x执行卷积运算，并将计算结果更新到输出张量y中。优化该算子的性能对于加速深度学习模型的训练和推理具有重要意义，特别是在处理大规模图像数据时。

接口原型、参数解释及其限制，详见：

https://gitee.com/tecorigin/teco-al/blob/develop/doc/op_docs/conv_forward.md

4 参赛作品

代码+文档

作品要求：

参赛者需要在保持赛题算子功能不变的前提下，进行性能优化。

无需对算子功能进行扩展，只需专注于提升其执行效率。

请完整通读仓库readme全文，按照规范进行PR提交，详见:Teco-AL: Teco-AL基于SDAA C编程模型，提供了灵活多样的加速库算子实现。 (gitee.com)

大赛最终解释权归开放原子开源基金会及共建方所有。