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：
$$ scaleH =\begin{cases} (inputSize[2]-1) / (outputSize[0]-1) & alignCorners=true \ 1 / scalesH & alignCorners=false&scalesH>0\ inputSize[2] / outputSize[0] & alignCorners=false \end{cases} $$
$$ scaleW =\begin{cases} (inputSize[3]-1) / (outputSize[1]-1) & alignCorners=true \ 1 / scalesW & alignCorners=false&scalesW>0\ inputSize[3] / outputSize[1] & alignCorners=false \end{cases} $$
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：
$$ x' =\begin{cases} x * scaleH & alignCorners=true \ MAX(0,{(x+0.5)*scaleH-0.5}) & alignCorners=false \end{cases} $$
$$ y' =\begin{cases} y * scaleW & alignCorners=true \ MAX(0,{(y+0.5)*scaleW-0.5}) & alignCorners=false \end{cases} $$
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Tensor gradOut（aclTensor*） 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、BFLOAT16 NCHW、NHWC 4 √ outputSize（aclIntArray*） 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 - - - inputSize（aclIntArray*） 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 - - - alignCorners（bool） 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。 - - - - scalesH（double） 输入 表示输出`out`的height维度乘数，对应公式中的`scalesH`。 - - - - - scalesW（double） 输入 表示输出`out`的width维度乘数，对应公式中的`scalesW`。 - - - - - out（aclTensor*） 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、BFLOAT16 NCHW、NHWC 4 √ workspaceSize（uint64_t*） 输出 返回需要在Device侧申请的workspace大小。 - - - - - executor（aclOpExecutor**） 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_NULLPTR 161001 传入的gradOut、outputSize、inputSize或out是空指针。 ACLNN_ERR_PARAM_INVALID 161002 gradOut、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::vector<int64_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::vector<T> &hostData, const std::vector<int64_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::vector<int64_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::vector<int64_t> selfShape = {1, 1, 6, 6}; std::vector<int64_t> outShape = {1, 1, 3, 3}; void *selfDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *self = nullptr; aclTensor *out = nullptr; std::vector<float> selfHostData(36, 1); std::vector<float> 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::vector<int64_t> outArraySize = {6, 6}; const aclIntArray *outputSize = aclCreateIntArray(outArraySize.data(), outArraySize.size()); CHECK_RET(outputSize != nullptr, return ACL_ERROR_INTERNAL_ERROR); std::vector<int64_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::vector<float> 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
