CANN/ops-cv双线性抗锯齿上采样反向算子
aclnnUpsampleBilinear2dAABackward
【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：aclnnUpsampleBilinear2dAA的反向传播。
计算公式：对于一个二维插值点$(N, C, H, W)$，插值$I(N, C, H, W)$可以表示为：
$$ {I(N, C, H, W)} = \sum_{i=0}^{kW}\sum_{j=0}^{kH}{w(i) * w(j)} * {f(h_i, w_j)}/\sum_{i=0}^{kW}w(i)/\sum_{j=0}^{kH}w(j) $$
$$ scaleH =\begin{cases} (inputSize[2]-1) / (outputSize[0]-1) & alignCorners=true \ 1 / scalesH & alignCorners=false&scalesH>0\ inputSize[2] / outputSize[0] & otherwise \end{cases} $$
$$ scaleW =\begin{cases} (inputSize[3]-1) / (outputSize[1]-1) & alignCorners=true \ 1 / scalesW & alignCorners=false&scalesW>0\ inputSize[3] / outputSize[1] & otherwise \end{cases} $$
其中：
$kW$、$kH$分别表示W方向和H方向影响插值点大小的点的数量
如果$scaleH >= 1$，则$kH = floor(scaleH) * 2 + 1$，否则$kH = 3$
如果$scaleW >= 1$，则$kW = floor(scaleW) * 2 + 1$，否则$kW = 3$
$w(i)$、$w(j)$是双线性抗锯齿插值的W方向和H方向权重，计算公式为：
$$ w(i) = \begin{cases} 1 - |h_i - h| & |h_i -h| < 1 \ 0 & otherwise \end{cases} $$
$$ w(j) = \begin{cases} 1 - |w_j - w| & |w_j -w| < 1 \ 0 & otherwise \end{cases} $$
假设：正向插值的输出图像out $(h, w)$受原图像input $(h_i, w_j)$影响，则有：
$$ gradInput(h_i,w_j) += gradOutput(h,w) * w(i) * w(j) $$
函数原型
每个算子分为两段式接口，必须先调用“aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize”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“aclnnUpsampleBilinear2dAABackward”接口执行计算。
aclnnStatus aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize( const aclTensor *gradOutput, const aclIntArray *outputSize, const aclIntArray *inputSize, bool alignCorners, double scalesH, double scalesW, aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnUpsampleBilinear2dAABackward( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize
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 gradOutput（aclTensor*） 输入 表示反向计算的梯度Tensor，对应公式描述中的`gradOutput`。 - 不支持空Tensor。
- 当数据格式为ND时，默认按照NCHW格式处理。
FLOAT32、FLOAT16、BFLOAT16 NCHW、ND 4 √ outputSize（aclIntArray*） 输入 表示输入`gradOutput`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`。 如果为true，则输入和输出张量的角像素点会被对齐，否则不对齐。 - - - - scalesH（double） 输入 表示输出`out`的height维度乘数，对应公式中的`scalesH`。 值为正数才生效。 - - - - scalesW（double） 输入 表示输出`out`的width维度乘数，对应公式中的`scalesW`。 值为正数才生效。 - - - - 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。
- 数据类型和数据格式与入参`gradOutput`的数据类型和数据格式保持一致。
FLOAT32、FLOAT16、BFLOAT16 NCHW、ND 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。 - - - - -
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gradOutput、inputSize或out是空指针。 ACLNN_ERR_PARAM_INVALID 161002 gradOutput或out的数据类型不在支持的范围之内。 gradOutput与out的数据类型不一致。 gradOutput、out的shape不是4维。 outputSize的size不等于2。 outputSize的某个元素值不大于0。 inputSize的size不等于4。 inputSize的某个元素值不大于0。 scalesH、scalesW的取值为负数。
aclnnUpsampleBilinear2dAABackward
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aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize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
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 ：
输入数据缩放场景放大倍数必须小于等于50，即：
$$ outputSize_H / 输出shape的高度H <= 50 $$
$$ outputSize_W / 输出shape的宽度W <=50 $$
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：
- 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 ：aclnnUpsampleBilinear2dAABackward默认确定性实现。
- Ascend 950PR/Ascend 950DT ：aclnnUpsampleBilinear2dAABackward默认非确定性实现，支持通过aclrtCtxSetSysParamOpt开启确定性。
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_bilinear2d_aa_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 CreateAclNchTensor(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> inputShape = {1, 1, 4, 2}; std::vector<int64_t> outShape = {1, 1, 8, 4}; void *inputDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *input = nullptr; aclTensor *out = nullptr; std::vector<float> inputHostData = {0, 1, 2, 3, 4, 5, 6, 7}; const size_t kSize32 = 32U; std::vector<float> outHostData(kSize32, 0); const size_t kSize4 = 4U; std::vector<int64_t> outputSize = {kSize4, 2}; std::vector<int64_t> inputSize = {1, 1, 8, 4}; bool alignCorners = true; double scalesH = 2.0; double scalesW = 2.0; // 创建input aclTensor ret = CreateAclNchTensor(inputHostData, inputShape, &inputDeviceAddr, aclDataType::ACL_FLOAT, &input); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建input aclIntArray auto outputSizeArray = aclCreateIntArray(outputSize.data(), 2); auto inputSizeArray = aclCreateIntArray(inputSize.data(), 4); // 创建out aclTensor ret = CreateAclNchTensor(outHostData, outShape, &outDeviceAddr, aclDataType::ACL_FLOAT, &out); CHECK_RET(ret == ACL_SUCCESS, return ret); // 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aclnnUpsampleBilinear2dAABackward第一段接口 ret = aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize( input, outputSizeArray, inputSizeArray, alignCorners, scalesH, scalesW, out, &workspaceSize, &executor); CHECK_RET( ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize 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aclnnUpsampleBilinear2dAABackward第二段接口 ret = aclnnUpsampleBilinear2dAABackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleBilinear2dAABackward 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 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，需要根据具体API的接口定义修改 aclDestroyTensor(input); aclDestroyTensor(out); // 7. 释放device资源，需要根据具体API的接口定义修改 aclrtFree(inputDeviceAddr); 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