[Task]: [OPS] : MindSporeTest 算子测试用例迁移优化

### 背景与目标描述. 当前 MindSporeTest 中的测试用例主要由用例（test_xxx.py）、测试套（xxx_ops.py）以及SKIP_ENV*/SKIP_MODE*（控制用例执行场景的装饰器）组成。 测试框架比较简单，同时代码重复度很高，因此将 MindSporeTest 迁移到 MindSpore 开源社区时，可以进行一些重构优化，减少迁移工作量同时减少未来测试代码开发的工作量。 #### 1. 迁移优化思路和演进方向的思考 当前 MindSporeTest 算子测试代码有几个主要的特点： - 代码重复度高 - 每个算子都对应一个测试用例（test_xxx.py）和一个测试套（xxx_ops.py），同类型接口没有代码复用，例如 log、cos、sin 等一元逐元素计算接口是可以归于一类测试方法的。 - 一个算子的多个变体之间不能代码复用，例如 Tensor.abs、mint.abs 这两个 abs 算子的对外接口变体有两套测试套和测试用例，而这两个变体接口没有实际区别，仅仅是调用方式不一致。 - 精度对比方式单一 - 当前使用简单的阈值校验方式进行精度看护，缺少单/双标杆精度对比，一些不那么稳定的算子容易出现随机问题 这些问题导致 MindSporeTest 增量算子用例时工作量大，且不利于后续演进。 参考 Pytorch 的自动参数化算子测试框架，有以下几点优化演进方向： - 参考 Pytorch 的 TestCase 测试套，重构优化 OpFactory ，提高测试套的模板化能力 - 参考 Pytorch 的 OpInfo 算子数据库，将同算子变体的测试用例和测试套归一 - 提供一些类似 make_tensor 的辅助工具，支持不同 device 的 Tensor 构造，以适配将来的 Tensor Dispatch #### 2. OpFactory 重构增强 OpFactory 是 MindSporeTest 中算子测试的通用测试套，各个算子测试文件继承 OpFactory 后重载实现正反向、动态shape等 impl 代码。 考虑减少迁移工作量，尽量在维持接口不变的情况下进行重构增强，主要从一下几个方面考虑： - 提升部分实现代码到基类，减少每个算子测试文件中的重复代码 - forward_cmp/grad_cmp 在基类实现通用版本，部分算子去重载实现特化版本。原因是大部分算子都是如下逻辑，算子测试文件中有很多重复代码： ```python def forward_cmp(self): out_mindspore = self.forward_mindspore_impl() out_benchmark = self.forward_benchmark_impl() allclose_nparray(out_benchmark, out_mindspore, self.loss, self.loss) ``` - forward_mindspore_impl/forward_torch_impl 这些实现函数也可以考虑在基类实现通用版本，部分算子去重载实现特化版本。 ```python class OpFactory: def __init__(self, args, kwargs): self.args = args self.kwargs = kwargs def forward_mindspore_impl(self, skip_outputs=None): outputs = self.op(*self.args, **self.kwargs) if not skip_outputs: ... return outputs def forward_benchmark_impl(self, skip_outputs=None): outputs = self.ref(*self.args, **self.kwargs) if not skip_outputs: ... return outputs ``` - 参照 Pytorch OpInfo 的思想，将 OpFactory 作为最基础的测试套，以此为基类特化出一些泛用的测试套，ElementWiseOpFactory、ReduceOpFactory、BinaryOpFactory等，进一步模板化编程内…