融合算子：Expm1-Sigmoid-Affine-Gate（一次核内完成仿射、`expm1` 与 Sigmoid 门控，返回 y = x * σ(α * expm1(z) + β)，其中 z = x*scale + bias）。`expm1` 在小值区间更稳定，适合细微增益的门控。

目标与定义
- 输入张量：`x[B, D]`
- 逐维参数：`scale[D]`、`bias[D]`
- 标量超参：`alpha`、`beta`
- 计算流程：`z = x*scale + bias`，`v = expm1(z)`，`g = sigmoid(alpha*v + beta)`，`y = x * g`

参考实现（文件要求）
- `torchcode.py`：PyTorch 参考 `Model`；统一的输入与初始化接口
- `cudacode.py`：单核融合（仿射+expm1+sigmoid+乘法）；编译 `-O3 --use_fast_math`
- `run_code.py`：100 次迭代；精度 `rtol=1e-03, atol=1e-06`；打印加速比

CUDA 实现要点
- 行并行：`grid = B`，块内沿 D 合并访存；一次遍历写回 `y`
- 对齐向量化：满足 16 字节对齐且 `D%4==0` 时走 `float4`；否则标量路径
- 指令优化：仿射用 `fmaf`；`expm1f` 与 `expf` 走快速数学；循环 `#pragma unroll 4`
- 线程配置：推荐 `block=1024` 起步，按设备与规模试探最佳

评估与目标
- 精度：与参考在 `rtol=1e-03, atol=1e-06` 范围内一致
- 性能：≥1.0x 加速；对齐触发向量化时更佳

加分项（可选）
- 优化未对齐路径尾处理与分支
- 每线程批量步长以提升吞吐与占用

