[Feature]: PyNative 三方依赖组件升级 —— NumPy 升级支持

## 🚀 背景描述 NumPy 是 Python 科学计算生态中最基础、最核心的第三方组件之一，被 MindSpore 的 Python 前端、算子实现、数据处理、测试框架等多个模块广泛依赖。 随着 Python 生态的持续演进，NumPy 在近几个大版本中引入了大量 API 增强、性能优化以及对新 Python 版本的适配，同时也逐步废弃了一些历史 API。 当前 MindSpore 所依赖的 NumPy 版本相对偏旧，逐渐暴露出以下问题： 1. **生态兼容性受限** - 新版本第三方库（如 SciPy、Pandas、ONNX 等）对 NumPy 的最低版本要求不断提高，限制了 MindSpore 在新环境中的可组合性。 - 新版本 Python（如 3.11 / 3.12）对 NumPy 版本存在明确依赖约束。 2. **功能与性能能力受限** - 无法利用 NumPy 新版本中的性能优化（如 SIMD 优化、dtype 改进、Array API 标准对齐等）。 - 部分新特性和行为规范无法在 MindSpore 中使用或对齐。 3. **维护与长期演进成本增加** - 旧版本 NumPy 中部分 API 已被标记为 deprecated，未来存在被移除的风险，形成技术债务。 - 社区中已出现与 NumPy 版本冲突相关的用户问题和 Issue 反馈。 因此，有必要在 MindSpore 社区推动 **第三方组件 NumPy 的版本升级**，以提升整体生态兼容性和长期可维护性。 --- ## 🎯 目标与范围 - 升级 MindSpore 所支持和默认使用的 NumPy 版本至社区主流、稳定的版本区间。 - 清理或替换对已废弃 NumPy API 的依赖，降低未来升级成本。 - 明确并文档化 MindSpore 与 NumPy 的版本兼容矩阵，减少用户环境配置复杂度。 --- ## 🧠 设计方案 ### 1. NumPy 版本选型 - 选择社区广泛采用且生命周期较长的稳定版本区间（例如 `>=1.xx, <2.0`，具体版本待评估）。 - 选型依据包括： - 主流 Python 版本（3.8+ / 3.9+ / 3.10+ / 3.11+）支持情况 - 上游生态（SciPy、Pandas 等）对 NumPy 的依赖范围 - NumPy 官方发布的 deprecated / removed API 列表 ### 2. 代码适配与兼容性处理 - 系统性梳理 MindSpore 中对 NumPy 的使用场景，包括： - Python 前端 API - Dataset 与数据处理模块 - 测试代码与工具脚本 - 重点处理以下问题： - 已废弃 API 的替换或重构 - 行为变更（如 dtype 推导、广播规则、返回值类型变化） - 必要时引入： - 基于 NumPy 版本的条件适配逻辑 - 统一的 NumPy 兼容封装层，降低后续维护成本 ### 3. 构建与依赖管理调整 - 更新依赖声明文件（如 `requirements.txt`、`setup.py`、`pyproject.toml` 等）中的 NumPy 版本约束。 - 同步更新 CI、构建和发布环境中的 NumPy 版本配置，保证一致性。 - 在官方文档中明确 NumPy 的最低支持版本和推荐版本。 ### 4. 风险评估与回滚策略 - **潜在风险** - NumPy 行为变化导致部分边界用例结果不一致 - 用户自定义算子或第三方扩展对旧 API 的隐式依赖 - **缓解措施** - 在过渡版本中提供兼容支持并提前公告不兼容变更 - 在 Release Notes 中明确说明升级影响 - 必要时支持在过渡周期内回退到旧版本配置 --- ## 🧪 测试设计与测试计划 ### 1. 功能回归测试 - 在升级后的 NumPy 版本下执行 MindSpore 全量单元测试与系统测试。 - 重点验证： - Tensor 与 NumPy array 的互转逻辑 - Dataset 与数据预处理相关算子 - Python 前端 API 行为一致性 ### 2. 多版本兼容性验证（可选） - 在 CI 中引入多 NumPy 版本矩阵测试，覆盖最低支持版本与目标版本。 - 确保关键功能在支持版本区间内行为一致。 ### 3. 性能与稳定性测试 - 对典型场景（如数据加载、前处理、NumPy 参与计算路径）进行性能对比。 - 确认不存在明显性能回退、内存异常或稳定性问题。 --- ## 📌 社区与用户价值 - 提升 MindSpore 与 Python 科学计算生态的整…