docs: Phase T3 — GEMM fwd/bwd + finite-diff

Design doc covering the tiled forward, the dA/dB math + how transpose is
handled (materialize + reuse forward), the cuBLAS row-major reference, and
the finite-diff harness design + how T4 reuses it per-op.

Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>

docs/02-gemm-autodiff.md

@@ -0,0 +1,130 @@
+# Phase: GEMM Forward/Backward + Finite-Diff — Design Document
+
+## Goal
+
+在 T2 的 `Tensor` 之上交付**手写 GEMM 的前向 + 反向**，以及一个**可复用的有限差分梯度检查 harness**。
+这是 autograd（T4）的地基：T4 的每个算子 backward 都会用同一个 harness 对拍。本 Phase 只做三件事：
+
+1. **GEMM 前向**：手写 tiled CUDA kernel，`C = A @ B`，row-major F32，正确性优先；
+2. **GEMM 反向**：给上游梯度 `dC`，算 `dA = dC · Bᵀ`、`dB = Aᵀ · dC`（复用前向 + 一个 transpose kernel）；
+3. **finite-diff harness**：给标量 loss `f(x)` 和解析梯度 `g`，逐元素用中心差分核对。
+
+**明确不做**（留给 T4+）：autograd tape / 计算图、其它算子、broadcast、非 contiguous 输入、半精度、性能调优（T7）。
+
+## Module Layout
+
+```
+csrc/ops/gemm.cu                       # gemm_tiled_f32 + transpose_f32 + launch_*（由 xtrain-cuda/build.rs 编）
+
+crates/xtrain-cuda/
+├── build.rs                           # 新增 gemm.cu；链接 cublas（仅作前向对拍参考）
+└── src/ffi.rs                         # 新增 launch_gemm_tiled_f32 / launch_transpose_f32（no_cuda 门控）
+                                       #   + cuBLAS sgemm FFI（no_cuda 门控，仅测试用）
+
+crates/xtrain-tensor/
+├── Cargo.toml                         # dev-dep: xtrain-autodiff
+├── src/tensor.rs                      # matmul / transpose_2d / matmul_backward（no_cuda 门控）
+└── tests/gemm.rs                      # 前向对 cuBLAS、反向对 finite-diff（#![cfg(not(no_cuda))]）
+
+crates/xtrain-autodiff/               # 新 crate（reusable harness）
+├── Cargo.toml
+└── src/
+    ├── lib.rs
+    └── finite_diff.rs                 # grad_check + GradCheckConfig/Result
+```
+
+## Key Design Decisions
+
+### 前向：tiled GEMM（沿用 xserv 风格）
+
+`csrc/ops/gemm.cu` 的 `gemm_tiled_f32`：`TILE_SIZE=32`，每个 block 协作把 A/B 的 tile 载入 shared
+memory，FP32 累加。这就是 xserv `csrc/gemm/tiled.cu` 的 F32 版（去掉 BF16）——正确性已被 xserv 验证过，
+边界 mask（`row<M && col<N`、tile 越界填 0）让非 32 对齐的 M/N/K 也对。
+
+张量层 `Tensor::matmul(&self, other)` 镜像 T2 `scale` 的接线方式：校验 2D / contiguous / F32 / 同卡 →
+`zeros` 输出 → `launch_gemm_tiled_f32` → `synchronize`。
+
+### 反向：dA / dB 的数学与 transpose 处理
+
+`C = A·B`，`A:[M,K]`、`B:[K,N]`、`C:[M,N]`。给上游 `dC:[M,N]`：
+
+```
+dA = dC · Bᵀ      # [M,N] · [N,K] = [M,K]
+dB = Aᵀ · dC      # [K,M] · [M,N] = [K,N]
+```
+
+推导（标量 loss `L`，`C_ij = Σ_k A_ik B_kj`）：
+`∂L/∂A_ik = Σ_j (∂L/∂C_ij)(∂C_ij/∂A_ik) = Σ_j dC_ij · B_kj = (dC·Bᵀ)_ik`；
+`∂L/∂B_kj = Σ_i dC_ij · A_ik = (Aᵀ·dC)_kj`。
+
+**transpose 怎么处理**：T2 没有 transpose/reshape。这里加一个**最小的 out-of-place transpose
+kernel**（`transpose_f32`：`out[j,i]=in[i,j]`，写出连续的 `[cols,rows]`），`matmul_backward` 先把
+`B`/`A` 物化转置成连续张量，再复用 `matmul`：
+
+```rust
+let da = dc.matmul(&b.transpose_2d());   // [M,N] @ [N,K]
+let db = a.transpose_2d().matmul(dc);    // [K,M] @ [M,N]
+```
+
+选「物化转置 + 复用前向」而非「带 transpose flag 的 GEMM 变体」：代码量最小、复用已对拍过的前向 kernel、
+逻辑一眼能看懂。代价是多一次拷贝 + 临时显存——属于 T7 性能范畴（届时可改成 transpose-flag GEMM 或
+non-contiguous GEMM 来省掉）。
+
+### cuBLAS 仅作前向参考（row-major vs col-major）
+
+cuBLAS `Sgemm` 是 column-major，而我们 row-major。用恒等式
+`row-major C=A·B ⟺ col-major Cᵀ=Bᵀ·Aᵀ`：把 row-major 的 B、A 原样喂给 cuBLAS（它当成各自的
+col-major 转置），传 `OP_N, OP_N`，参数 `m=N, n=M, k=K, lda=N, ldb=K, ldc=N`，输出原地就是 row-major
+的 `C`，**不做任何显式转置**。cuBLAS FFI（`cublasSgemm_v2` 等）声明在 `xtrain-cuda/src/ffi.rs`，和
+kernel FFI 一样 `#[cfg(not(no_cuda))]` 门控，`build.rs` 加 `-lcublas`。它只在测试里当 oracle，不进
+production 路径。
+
+### finite-diff harness（T4 的复用核心）
+
+`xtrain-autodiff::grad_check`：
+
+```rust
+pub type ParamFn<'a> = dyn Fn(&[f32], &[usize]) -> f32 + 'a;   // (flat 参数, shape) -> 标量 loss
+
+pub fn grad_check(x: &[f32], shape: &[usize], f: &ParamFn,
+                  analytic_grad: &[f32], cfg: GradCheckConfig) -> GradCheckResult;
+```
+
+- 逐元素中心差分：`(f(x+ε·eᵢ) − f(x−ε·eᵢ)) / 2ε`，共调 `f` 两次 `x.len()` 遍。
+- 相对误差判据：`|num − ana| / (|num| + |ana| + atol)`，`atol` 防近零梯度炸比值。
+- 默认 `eps=1e-3 / rel_tol=2e-2 / atol=1e-4`：`eps` 平衡截断误差(∝eps²)与 f32 在 `f(x±eps)` 上
+  ~1e-7 的舍入噪声；`rel_tol=2e-2` 是 f32 GPU GEMM 对 f32 中心差分的常规裕度。
+- **host-only、不依赖 CUDA**：harness 只碰 `&[f32]`+shape+闭包；GPU 前向藏在闭包里（`from_slice →
+  to_device → matmul → sum`）。所以这个 crate 本地能 build/test，自带两个纯 host 单测（`sum(x²)` 梯度
+  `2x` 通过；错误梯度被拒）。
+
+**T4 怎么用**：每个算子 wrap forward 为标量 loss（`L = sum(W∘out)`），跑该算子 backward 拿解析梯度，
+对每个输入张量调一次 `grad_check`。本 Phase 的 GEMM 反向测试就是这个模式的样板。
+
+## 验证方法
+
+GPU 测试 `#![cfg(not(no_cuda))]` 门控，dash5 实跑：
+
+```sh
+ssh dash5
+export PATH=/usr/local/cuda/bin:/opt/wjh/.cargo/bin:$PATH
+cd ~/projects/xtrain
+cargo test -p xtrain-autodiff                       # host-only harness 自检
+cargo test -p xtrain-tensor --test gemm -- --nocapture
+```
+
+- **前向**：手写 tiled GEMM vs cuBLAS sgemm，随机矩阵（square / rect 非对齐 / 256³），`max_rel_err < 1e-3`。
+- **反向**：标量 loss `L = sum(W∘C)`（`dC = W`），`matmul_backward` 出 `dA`/`dB`，各自对 finite-diff
+  harness 核对，`rel_tol = 2e-2` 内通过。
+
+本地（无 GPU）：`cargo check --workspace --all-targets` + `cargo fmt --all -- --check` 绿；GPU 测试编译出局。
+
+## Takeaways
+
+1. **反向 = 前向 + 转置的复用**：`dA=dC·Bᵀ`、`dB=Aᵀ·dC` 全靠已对拍过的前向 kernel + 一个 transpose
+   kernel 拼出来，不必为 backward 单写 kernel。代价（多余拷贝）留给 T7。
+2. **harness 与设备解耦**：把 finite-diff 设计成「只吃 `&[f32]`+闭包」，GPU 细节进闭包，于是 harness
+   本地可测、且 T4 任何算子（不限 GEMM）都能直接复用。
+3. **cuBLAS 收口在 FFI + 门控**：参考实现也守 `no_cuda` 约定，本地 check 不被 cublas 链接拖累。
+4. **row-major/col-major 是 GEMM 最大坑**：靠 `C=AB ⟺ Cᵀ=BᵀAᵀ` 交换 A/B 传入顺序 + 调 ld，零显式转置。
+```