当前位置：首页 > news >正文

CANN/ops-nn分组归一化梯度算子

news 2026/7/16 18:12:58

aclnnGroupNormalizationGrad

【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn

产品支持情况

产品	是否支持
Atlas A2 训练系列产品/Atlas 800I A2 推理产品	√

功能说明

算子功能：完成 Group Normalization 的反向。
计算公式：

$$ \hat{x} = (x - mean) \cdot rstd $$

$$ s_1 = \sum(dy \cdot gamma), \quad s_2 = \sum(dy \cdot gamma \cdot \hat{x}) $$

$$ dx = \frac{rstd}{M} \cdot gamma \cdot (M \cdot dy - s_1 - \hat{x} \cdot s_2) $$

函数原型

每个算子分为两段式接口，必须先调用"aclnnGroupNormalizationGradGetWorkspaceSize"接口获取入参并根据计算流程计算所需workspace大小，再调用"aclnnGroupNormalizationGrad"接口执行计算。

aclnnStatus aclnnGroupNormalizationGradGetWorkspaceSize( const aclTensor *x, const aclTensor *dy, const aclTensor *gamma, const aclTensor *mean, const aclTensor *rstd, aclTensor *dx, uint64_t *workspaceSize, aclOpExecutor **executor)

aclnnStatus aclnnGroupNormalizationGrad( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, const aclrtStream stream)

aclnnGroupNormalizationGradGetWorkspaceSize

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
x	输入	公式中的 x（前向输入）。	dtype 需与 dy 保持一致。shape 需与 dy 相同。	FLOAT、BFLOAT16、FLOAT16	ND	3-8	×
dy	输入	公式中的 dy（上游梯度）。	数据类型与 x 的数据类型满足互推导关系。	FLOAT、BFLOAT16、FLOAT16	ND	3-8	×
gamma	输入	已广播到 [N, G, M] 的缩放系数。	dtype 需与 x 保持一致。shape 需与 x 相同。	FLOAT、BFLOAT16、FLOAT16	ND	3-8	×
mean	输入	每个 group 的均值，形状为 [N, G]。	dtype 需与 x 保持一致。	FLOAT、BFLOAT16、FLOAT16	ND	2	×
rstd	输入	每个 group 的标准差倒数，形状为 [N, G]。	dtype 需与 x 保持一致。	FLOAT、BFLOAT16、FLOAT16	ND	2	×
dx	输出	公式中的 dx（输入梯度）。	dtype 需与 x 相同。shape 需与 x 相等。	FLOAT、BFLOAT16、FLOAT16	ND	3-8	×
workspaceSize	输出	返回需要在 Device 侧申请的 workspace 大小。	-	-	-	-	-
executor	输出	返回 op 执行器，包含了算子计算流程。	-	-	-	-	-

返回值：

aclnnStatus：返回状态码，具体参见aclnn返回码。第一段接口会完成入参校验，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 x、dy、gamma、mean 或 rstd 是空指针。
ACLNN_ERR_PARAM_INVALID	161002	x、dy、gamma、mean 或 rstd 的数据类型不在支持的范围之内。
		x、dy、gamma、mean 或 rstd 的 shape 超过 8 维，或 x、dy、gamma 的 shape 低于 3 维。
		x、dy、gamma 与 dx 数据类型不一致。
		x、dy、gamma 的 shape 不一致。

aclnnGroupNormalizationGrad

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 aclnnGroupNormalizationGradGetWorkspaceSize 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

无。

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 "aclnn_group_normalization_grad.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) { 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); 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); 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); 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]; } *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_ND, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { 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); std::vector<int64_t> xShape = {2, 4, 128}; std::vector<int64_t> meanShape = {2, 4}; void* xDeviceAddr = nullptr; void* dyDeviceAddr = nullptr; void* gammaDeviceAddr = nullptr; void* meanDeviceAddr = nullptr; void* rstdDeviceAddr = nullptr; void* dxDeviceAddr = nullptr; aclTensor* x = nullptr; aclTensor* dy = nullptr; aclTensor* gamma = nullptr; aclTensor* mean = nullptr; aclTensor* rstd = nullptr; aclTensor* dx = nullptr; auto size = GetShapeSize(xShape); std::vector<float> xHostData(size); std::vector<float> dyHostData(size); std::vector<float> gammaHostData(size); std::vector<float> dxHostData(size, 0.0f); auto meanSize = GetShapeSize(meanShape); std::vector<float> meanHostData(meanSize); std::vector<float> rstdHostData(meanSize); for (int64_t i = 0; i < size; i++) { xHostData[i] = static_cast<float>(i % 128) / 128.0f; dyHostData[i] = 0.5f; gammaHostData[i] = 1.0f; } for (int64_t i = 0; i < meanSize; i++) { meanHostData[i] = 0.0f; rstdHostData[i] = 1.0f; } ret = CreateAclTensor(xHostData, xShape, &xDeviceAddr, aclDataType::ACL_FLOAT, &x); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(dyHostData, xShape, &dyDeviceAddr, aclDataType::ACL_FLOAT, &dy); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(gammaHostData, xShape, &gammaDeviceAddr, aclDataType::ACL_FLOAT, &gamma); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(meanHostData, meanShape, &meanDeviceAddr, aclDataType::ACL_FLOAT, &mean); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(rstdHostData, meanShape, &rstdDeviceAddr, aclDataType::ACL_FLOAT, &rstd); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(dxHostData, xShape, &dxDeviceAddr, aclDataType::ACL_FLOAT, &dx); CHECK_RET(ret == ACL_SUCCESS, return ret); uint64_t workspaceSize = 0; aclOpExecutor* executor; ret = aclnnGroupNormalizationGradGetWorkspaceSize(x, dy, gamma, mean, rstd, dx, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnGroupNormalizationGradGetWorkspaceSize failed. ERROR: %d\n", ret); return ret); 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); } ret = aclnnGroupNormalizationGrad(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnGroupNormalizationGrad failed. ERROR: %d\n", ret); return ret); ret = aclrtSynchronizeStream(stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret); size = GetShapeSize(xShape); std::vector<float> resultData(size, 0); ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), dxDeviceAddr, size * sizeof(resultData[0]), ACL_MEMCPY_DEVICE_TO_HOST); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result 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]); } aclDestroyTensor(x); aclDestroyTensor(dy); aclDestroyTensor(gamma); aclDestroyTensor(mean); aclDestroyTensor(rstd); aclDestroyTensor(dx); aclrtFree(xDeviceAddr); aclrtFree(dyDeviceAddr); aclrtFree(gammaDeviceAddr); aclrtFree(meanDeviceAddr); aclrtFree(rstdDeviceAddr); aclrtFree(dxDeviceAddr); if (workspaceSize > 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); return 0; }

【免费下载链接】ops-nn本项目是CANN提供的神经网络类计算算子库，实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-nn

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

查看全文

http://www.jsqmd.com/news/1201594/