aclnnUpsampleBilinear2dBackwardV2【免费下载链接】ops-cv本项目是CANN提供的图像处理、目标检测相关的算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-cv 查看源码产品支持情况产品是否支持Ascend 950PR/Ascend 950DT√Atlas A3 训练系列产品/Atlas A3 推理系列产品√Atlas A2 训练系列产品/Atlas A2 推理系列产品√Atlas 200I/500 A2 推理产品×Atlas 推理系列产品√Atlas 训练系列产品√功能说明接口功能aclnnUpsampleBilinear2d的反向传播。Atlas A2 训练系列产品/Atlas A2 推理系列产品 、 Atlas A3 训练系列产品/Atlas A3 推理系列产品 、 Ascend 950PR/Ascend 950DT 本接口相较于aclnnUpsampleBilinear2dBackward支持使用scale计算以及增加outputSize与scale的约束请根据实际情况选择合适的接口。Atlas 训练系列产品 、 Atlas 推理系列产品 本接口相较于aclnnUpsampleBilinear2dBackward无变更。计算公式正向的核心算法逻辑将目标图像的每一个点映射回原图得到一个带小数点的坐标。根据这个浮点数坐标计算前后相邻的原始图像的点。分别计算相邻点到对应目标点的权重按照权重相乘累加即可得到目标点值。具体计算逻辑 缩放方式分为角对齐和边对齐角对齐表示按照原始图片左上角像素中心点对齐边对齐表示按照原始图片左上角顶点及两条边对齐在计算缩放系数和坐标位置时存在差异。对于一个二维插值点$(N, C, H, W)$则有以下公式$$ scaleH \begin{cases} (inputSize[2]-1) / (outputSize[0]-1) alignCornerstrue \ 1 / scalesH alignCornersfalsescalesH0\ inputSize[2] / outputSize[0] alignCornersfalse \end{cases} $$$$ scaleW \begin{cases} (inputSize[3]-1) / (outputSize[1]-1) alignCornerstrue \ 1 / scalesW alignCornersfalsescalesW0\ inputSize[3] / outputSize[1] alignCornersfalse \end{cases} $$因此对于output的某个方向上的点p(x,y)映射回原始图像中的点记为q(x,y)则有关系$$ x \begin{cases} x * scaleH alignCornerstrue \ MAX(0,{(x0.5)*scaleH-0.5}) alignCornersfalse \end{cases} $$$$ y \begin{cases} y * scaleW alignCornerstrue \ MAX(0,{(y0.5)*scaleW-0.5}) alignCornersfalse \end{cases} $$记$$ x_{0} int(x),x_{1} int(x)1, lambda_{0} x_{1}-x, lambda_{1} 1-lambda_{0} $$$$ y_{0} int(y),y_{1} int(y)1, lambdb_{0} y_{1}-y, lambdb_{1} 1-lambdb_{0} $$则有以下公式$$ {V(p_{x, y})} {V(p_{x0, y0})} * {lambda_{0}} * {lambdb_{0}} {V(p_{x0, y1})} * {lambda_{0}} * {lambdb_{1}} {V(p_{x1, y0})} * {lambda_{1}} * {lambdb_{0}} {V(p_{x1, y1})} * {lambda_{1}} * {lambdb_{1}} $$假设正向插值的输出图像out $(x, y)$受原图像input $(x_i, y_j)$影响则有$$ gradInput(x_i,y_j) gradOutput(x,y) * lambda(x_i,y_j) * lambdb(x_i,y_j) $$函数原型每个算子分为两段式接口必须先调用“aclnnUpsampleBilinear2dBackwardV2GetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器再调用“aclnnUpsampleBilinear2dBackwardV2”接口执行计算。aclnnStatus aclnnUpsampleBilinear2dBackwardV2GetWorkspaceSize( const aclTensor *gradOut, const aclIntArray *outputSize, const aclIntArray *inputSize, bool alignCorners, double scalesH, double scalesW, aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnUpsampleBilinear2dBackwardV2( void* workspace, uint64_t workspace_size, aclOpExecutor* executor, aclrtStream stream)aclnnUpsampleBilinear2dBackwardV2GetWorkspaceSize参数说明参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续TensorgradOutaclTensor*输入表示反向计算的梯度Tensor对应公式中的gradOutput。不支持空Tensor。FLOAT32、FLOAT16、BFLOAT16NCHW、NHWC4√outputSizeaclIntArray*输入表示输入gradOut在H和W维度上的空间大小。对应公式中的outputSize。size为2且各元素均大于零。INT64---inputSizeaclIntArray*输入表示输出out分别在N、C、H和W维度上的空间大小。对应公式中的inputSize。size为4且各元素均大于零。INT64---alignCornersbool输入决定是否对齐角像素点对应公式中的alignCorners。如果设置为True则输入和输出张量按其角像素的中心点对齐保留角像素处的值如果设置为False则输入和输出张量通过其角像素的角点对齐并且插值使用边缘值对边界外的值进行填充使此操作在不同输入大小下保持一致的行为。----scalesHdouble输入表示输出out的height维度乘数对应公式中的scalesH。-----scalesWdouble输入表示输出out的width维度乘数对应公式中的scalesW。-----outaclTensor*输出表示反向计算的输出张量对应公式中的gradInput。不支持空Tensor。数据类型、数据格式、shape与入参gradOut保持一致。FLOAT32、FLOAT16、BFLOAT16NCHW、NHWC4√workspaceSizeuint64_t*输出返回需要在Device侧申请的workspace大小。-----executoraclOpExecutor**输出返回op执行器包含了算子计算流程。-----Atlas 训练系列产品 、 Atlas 推理系列产品 参数gradOut、out的数据类型不支持BFLOAT16.返回值aclnnStatus返回状态码具体参见aclnn返回码。第一段接口完成入参校验出现以下场景时报错返回码错误码描述ACLNN_ERR_PARAM_NULLPTR161001传入的gradOut、outputSize、inputSize或out是空指针。ACLNN_ERR_PARAM_INVALID161002gradOut、out的数据类型和数据格式不在支持的范围之内。gradOut和out的数据类型或shape不一致。gradOut的维度不为4维。outputSize的size不等于2。outputSize的某个元素值小于1。inputSize的size不等于4。inputSize的某个元素值小于1。gradOut与inputSize在N、C维度上的size不同。gradOut在H、W维度上的size与outputSize[0]和outputSize[1]不一致。gradOut和out的N/C轴的维度大小不相等。aclnnUpsampleBilinear2dBackwardV2参数说明参数名输入/输出描述workspace输入在Device侧申请的workspace内存地址。workspaceSize输入在Device侧申请的workspace大小由第一段接口aclnnUpsampleBilinear2dBackwardV2GetWorkspaceSize获取。executor输入op执行器包含了算子计算流程。stream输入指定执行任务的Stream。返回值aclnnStatus返回状态码具体参见aclnn返回码。约束说明参数gradOut、out的shape约束每个维度的取值小于等于2^20。参数out的N轴和C轴与gradOut保持一致。内存占用需小于60G。内存占用的计算公式如下$$ (gradOut_H * gradOut_W out_H * out_W gradOut_H * out_W) * N * C * sizeof(float) 60 * 1024 * 1024 * 1024 $$其中N代表输入和输出的N轴。C代表输入和输出的C轴。N * C * gradOut_H 2^31参数inputSize、outputSize、scalesH、scalesW需要满足如下约束$$ outputSize_H floor(inputSize_H * scalesH) $$$$ outputSize_W floor(inputSize_W * scalesW) $$确定性计算aclnnUpsampleBilinear2dBackwardV2默认确定性实现。调用示例示例代码如下仅供参考具体编译和执行过程请参考编译与运行样例。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_upsample_bilinear_2d_backward_v2.h #define CHECK_RET(cond, return_expr) \ do { \ if (!(cond)) { \ return_expr; \ } \ } while (0) #define LOG_PRINT(message, ...) \ do { \ printf(message, ##__VA_ARGS__); \ } while (0) int64_t GetShapeSize(const std::vectorint64_t shape) { int64_t shapeSize 1; for (auto i : shape) { shapeSize * i; } return shapeSize; } int Init(int32_t deviceId, aclrtStream *stream) { // 固定写法资源初始化 auto ret aclInit(nullptr); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclInit failed. ERROR: %d\n, ret); return ret); ret aclrtSetDevice(deviceId); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSetDevice failed. ERROR: %d\n, ret); return ret); ret aclrtCreateStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtCreateStream failed. ERROR: %d\n, ret); return ret); return 0; } template typename T int CreateAclTensor(const std::vectorT hostData, const std::vectorint64_t shape, void **deviceAddr, aclDataType dataType, aclTensor **tensor) { auto size GetShapeSize(shape) * sizeof(T); // 调用aclrtMalloc申请device侧内存 auto ret aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtMalloc failed. ERROR: %d\n, ret); return ret); // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上 ret aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtMemcpy failed. ERROR: %d\n, ret); return ret); // 计算连续tensor的strides std::vectorint64_t strides(shape.size(), 1); for (int64_t i shape.size() - 2; i 0; i--) { strides[i] shape[i 1] * strides[i 1]; } // 调用aclCreateTensor接口创建aclTensor *tensor aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_NCHW, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { // 1. 固定写法device/stream初始化参考acl API手册 // 根据自己的实际device填写deviceId int32_t deviceId 0; aclrtStream stream; auto ret Init(deviceId, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(Init acl failed. ERROR: %d\n, ret); return ret); // 2. 构造输入与输出需要根据API的接口自定义构造 std::vectorint64_t selfShape {1, 1, 6, 6}; std::vectorint64_t outShape {1, 1, 3, 3}; void *selfDeviceAddr nullptr; void *outDeviceAddr nullptr; aclTensor *self nullptr; aclTensor *out nullptr; std::vectorfloat selfHostData(36, 1); std::vectorfloat outHostData {0, 0, 0, 0, 0, 0, 0, 0, 0}; // 创建self aclTensor ret CreateAclTensor(selfHostData, selfShape, selfDeviceAddr, aclDataType::ACL_FLOAT, self); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建out aclTensor ret CreateAclTensor(outHostData, outShape, outDeviceAddr, aclDataType::ACL_FLOAT, out); CHECK_RET(ret ACL_SUCCESS, return ret); std::vectorint64_t outArraySize {6, 6}; const aclIntArray *outputSize aclCreateIntArray(outArraySize.data(), outArraySize.size()); CHECK_RET(outputSize ! nullptr, return ACL_ERROR_INTERNAL_ERROR); std::vectorint64_t inputArraySize {1, 1, 3, 3}; const aclIntArray *inputSize aclCreateIntArray(inputArraySize.data(), inputArraySize.size()); CHECK_RET(inputSize ! nullptr, return ACL_ERROR_INTERNAL_ERROR); // 3. 调用CANN算子库API需要修改为具体的API名称 uint64_t workspaceSize 0; aclOpExecutor *executor; // 调用aclnnUpsampleBilinear2dBackwardV2第一段接口 ret aclnnUpsampleBilinear2dBackwardV2GetWorkspaceSize( self, outputSize, inputSize, 1, 2, 2, out, workspaceSize, executor); CHECK_RET( ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleBilinear2dBackwardV2GetWorkspaceSize failed. ERROR: %d\n, ret); return ret); // 根据第一段接口计算出的workspaceSize申请device内存 void *workspaceAddr nullptr; if (workspaceSize 0) { ret aclrtMalloc(workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(allocate workspace failed. ERROR: %d\n, ret); return ret); } // 调用aclnnUpsampleBilinear2dBackwardV2第二段接口 ret aclnnUpsampleBilinear2dBackwardV2(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleBilinear2dBackwardV2 failed. ERROR: %d\n, ret); return ret); // 4. 固定写法同步等待任务执行结束 ret aclrtSynchronizeStream(stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclrtSynchronizeStream failed. ERROR: %d\n, ret); return ret); // 5. 获取输出的值将device侧内存上的结果拷贝至host侧需要根据具体API的接口定义修改 auto size GetShapeSize(outShape); std::vectorfloat resultData(size, 0); ret aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(copy result from device to host failed. ERROR: %d\n, ret); return ret); for (int64_t i 0; i size; i) { LOG_PRINT(result[%ld] is: %f\n, i, resultData[i]); } // 6. 释放aclTensor和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(self); aclDestroyTensor(out); aclDestroyIntArray(outputSize); aclDestroyIntArray(inputSize); // 7. 释放device资源需要根据具体API的接口定义修改 aclrtFree(selfDeviceAddr); aclrtFree(outDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }【免费下载链接】ops-cv本项目是CANN提供的图像处理、目标检测相关的算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-cv创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考