当前位置： 首页 > news >正文

CANN/ops-cv一维上采样反向算子

news 2026/5/9 12:51:13

aclnnUpsampleLinear1dBackward

【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：aclnnUpsampleLinear1d的反向传播。

  • 计算公式：

    • 正向的核心算法逻辑：

      1. 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。
      2. 根据这个浮点数坐标，计算前后相邻的原始图像的点。
      3. 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。则有以下公式：

      $$ scale =\begin{cases} (inputSize[2]-1) / (outputSize[0]-1) & alignCorners=true \ 1 / scales & alignCorners=false&scales>0\ inputSize[2] / outputSize[0] & alignCorners=false \end{cases} $$

      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：

      $$ x' =\begin{cases} x * scale & alignCorners=true \ MAX(0,{(x+0.5)*scale-0.5}) & alignCorners=false \end{cases} $$

      • 记：

        $$ x_{0} =int(x'),x_{1} =int(x')+1, lambda_{0} = x_{1}-x', lambda_{1} = 1-lambda_{0} $$

      • 则有以下公式：

        $$ {V(p_{x})} = {V(p_{x0})} * {lambda_{0}} + {V(p_{x1})} * {lambda_{1}} $$

      • 假设：正向插值的输出图像out $(x)$受原图像input $(x_i)$影响，则有：

        $$ gradInput(x_i) += gradOut(x) * lambda(x_i) $$

函数原型

每个算子分为两段式接口，必须先调用“aclnnUpsampleLinear1dBackwardGetWorkspaceSize”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“aclnnUpsampleLinear1dBackward”接口执行计算。

aclnnStatus aclnnUpsampleLinear1dBackwardGetWorkspaceSize( const aclTensor * gradOut, const aclIntArray * outputSize, const aclIntArray * inputSize, bool alignCorners, double scales, aclTensor * out, uint64_t * workspaceSize, aclOpExecutor ** executor)
aclnnStatus aclnnUpsampleLinear1dBackward( void * workspace, uint64_t workspaceSize, aclOpExecutor * executor, aclrtStream stream)

aclnnUpsampleLinear1dBackwardGetWorkspaceSize

  • 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*）输入表示进行上采样的输入张量，对应公式中的`gradOut`。
    • 不支持空Tensor。
    • 当数据格式为ND时，默认按照NCL格式处理。
    		FLOAT32、FLOAT16、BFLOAT16ND、NCL3√
    outputSize（aclIntArray*）输入表示输入`gradOut`在L维度上的空间大小，对应公式中的`outputSize`。size为1，且取值大于0。INT64---
    inputSize（aclIntArray*）输入表示输出out分别在N、C、L维度上的空间大小，对应公式中的`inputSize`size为3，且各元素均大于零。INT64---
    alignCorners（bool）输入BOOL类型参数，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。
    		----
    scales（double）输入表示输出out的L维度乘数，对应公式中的`scales`。取值不大于500。----
    out（aclTensor*）输出表示采样后的输出张量，对应公式中的`gradInput`。
    • 不支持空Tensor
    • 输出维度必须是3维。数据类型、数据格式与入参`gradOut`保持一致。
    		FLOAT32、FLOAT16、BFLOAT16NCL3√
    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 ：

      入参gradOut和出参out的数据类型仅支持FLOAT32、FLOAT16。

    • 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 ：

      入参gradOut：当gradOut的shape对应轴的值与inputSize对应轴的值不相同时，数据类型仅支持FLOAT32、FLOAT16。

  • 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如果传入参数是必选输入，输出或者必选属性，且是空指针。
    ACLNN_ERR_PARAM_INVALID161002
    gradOut的数据类型不在支持的范围之内。
    gradOut和out的数据类型不一致。
    gradOut的维度不为3维。
    outputSize的size不等于1。
    outputSize的某个元素值小于1。
    inputSize的size不等于3。
    inputSize的某个元素值小于1。
    gradOut在L维度上的size与outputSize[0]不同。
    gradOut和out的N/C轴的维度大小不相等。
    out的shape在各个维度上的大小与inputSize里对应元素值大小不同。
    scales的取值不满足约束。

aclnnUpsampleLinear1dBackward

  • 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aclnnUpsampleLinear1dBackwardGetWorkspaceSize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：

      $$ (gradOut_L + out_L + out_L) * N * C * sizeof(dtype) < 60 * 1024 * 1024 * 1024 $$

      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 < 2^31

  • 入参gradOut和出参out的数据格式不为NCL或ND时，输入其他数据格式默认按照NCL处理。

  • 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 ：输入数据缩放场景放大倍数必须小于等于500，即：

    $$ outputSize[0] / 输出shape的长度L <= 500 $$

  • 参数inputSize、outputSize、scales需要满足如下约束：

    $$ outputSize = floor(inputSize_L * scales) $$

  • 确定性计算：

    • aclnnUpsampleLinear1dBackward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_linear_1d_backward.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_ND, 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, 3}; std::vector<int64_t> outShape = {1, 1, 6}; void *selfDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *self = nullptr; aclTensor *out = nullptr; std::vector<float> selfHostData = {1, 2, 3}; std::vector<float> outHostData = {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 = {3}; const aclIntArray *outputSize = aclCreateIntArray(outArraySize.data(), outArraySize.size()); CHECK_RET(outputSize != nullptr, return ACL_ERROR_INTERNAL_ERROR); std::vector<int64_t> inputArraySize = {1, 1, 6}; 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aclnnUpsampleLinear1dBackward第一段接口 ret = aclnnUpsampleLinear1dBackwardGetWorkspaceSize( self, outputSize, inputSize, true, 1.1, out, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleLinear1dBackwardGetWorkspaceSize 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aclnnUpsampleLinear1dBackward第二段接口 ret = aclnnUpsampleLinear1dBackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleLinear1dBackward 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

http://www.jsqmd.com/news/782983/

相关文章：

  • CANN电力仿真张量求和优化
  • 2026年4月市面上靠谱的铁氟龙排线厂商推荐，柔软度好，方便施工操作 - 品牌推荐师
  • 电液控制装置控制器4K型护套连接器
  • 企业如何利用Taotoken统一管理多个AI模型API密钥与用量
  • CANN框架适配SIG
  • 自贡智能家居装修预算怎么控制？悦阳装饰全案整装透明报价体系解析 - 优质企业观察收录
  • cann/catlass Ascend950全解量化矩阵乘
  • 电子元器件焊接调试实战经验总结
  • Switch大气层系统深度配置：从零构建你的个性化游戏环境
  • 求推荐芜湖靠谱的装修公司？来看我的真实体验
  • CANN/metadef获取算子属性值接口
  • 2026自贡装修公司全案对标：从毛坯到拎包入住的一站式整装避坑指南 - 优质企业观察收录
  • 【研报 A104】AI康养深度研究报告：从辅助诊疗，到全周期照护操作系统
  • 如何借助Taotoken用量看板精准分析并优化团队的AI调用成本
  • AI医疗实战：构建鲁棒性青光眼筛查模型的多任务学习与部署策略
  • CANN算子测试总决赛
  • CANN/HCOMM线程读取归约操作
  • CANN Add算子Kernel执行样例
  • CANN/cann-recipes-infer：Kimi-K2-Thinking NPU推理
  • IT疑难杂症诊疗室：从蓝屏到勒索软件全攻略
  • 三步解锁QQ音乐加密文件：qmc-decoder让你的音乐真正自由播放
  • 深度剖析Go语言，一文告诉你为什么大厂开始增加Go的招聘量
  • AI与Web3.0融合：技术路径、挑战与实践指南
  • 小红书内容采集终极指南：5种高效下载方案全解析
  • 网络交换芯片：从25.6T到51.2T的技术演进与挑战
  • XUnity Auto Translator：如何在5分钟内为任何Unity游戏添加多语言支持
  • CANN/ops-cv双三次上采样梯度算子
  • CANN ops-math clamp算子
  • CANN/hccl：自定义通信算子 - 点对点通信
  • CANN/GE添加控制输入API