CANN/ops-cv三点插值反向传播算子

aclnnThreeInterpolateBackward

【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

产品支持情况

函数原型

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

aclnnStatus aclnnThreeInterpolateBackwardGetWorkspaceSize( const aclTensor *grad_x, const aclTensor *idx, const aclTensor *weight, int m, aclTensor *grad_y, uint64_t *workspaceSize, aclOpExecutor **executor)

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

功能说明

• 算子功能：根据grad_x, idx, weight进行三点插值计算梯度得到grad_y。

• 计算公式：

  $$ grad_y[b,c,idx[b,n,i]] = grad_y[b,c,idx[b,n,i]] + grad_x[b,c,n]*weight[b,n,i]\ i\in[0,2]\ b\in[0,B) \ c\in[0,C) \ n\in[0,N) $$

aclnnThreeInterpolateBackwardGetWorkspaceSize

• 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
  grad_x（aclTensor*）	输入	网络反向传播前一步的梯度值。	shape支持（b, c, n）	FLOAT、FLOAT16	支持NCHW	-	√
  idx（aclTensor*）	输入	目标特征的三个最近邻特征索引。	shape支持（b, n, 3），不支持空Tensor。	INT32、INT64	ND	-	√
  weight（aclTensor*）	输入	目标特征的三个最近邻特征权重。	shape支持（b, n, 3），不支持空Tensor。	FLOAT、FLOAT16	ND	-	√
  m（int）	输入	输入特征最低维度的大小，用于指导infershape的时候推导grad_y的形状。	-	INT32	-	-	-
  grad_y（aclTensor*）	输出	梯度计算结果。	shape支持（b, c, m）。	FLOAT、FLOAT16	支持NCHW	-	√
  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：

  返回值	错误码	描述
  ACLNN_ERR_PARAM_NULLPTR	161001	传入的grad_x、idx、weight、grad_y为空指针。
  ACLNN_ERR_PARAM_INVALID	161002	grad_x、idx、weight、m、grad_y的数据类型和数据格式不在支持的范围内。
  		当grad_x、idx、weight、grad_y不为空指针，其数据类型和数据格式或shape不在支持的范围内。

aclnnThreeInterpolateBackward

• 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aclnnThreeInterpolateBackwardGetWorkspaceSize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

• idx中的取值应该小于m。
• 确定性计算：
  • aclnnThreeInterpolateBackward默认非确定性实现，不支持配置开启。

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/aclnn_base.h" #ifdef __cplusplus extern "C" { #endif /** * @brief aclnnThreeInterpolateBackward的第二段接口，用于执行计算。 */ aclnnStatus aclnnThreeInterpolateBackward(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream); /** * @brief aclnnThreeInterpolateBackward的第一段接口，根据具体的计算流程，计算workspace大小。 * @domain aclnn_ops_train */ aclnnStatus aclnnThreeInterpolateBackwardGetWorkspaceSize(const aclTensor *grad_x, const aclTensor *idx, const aclTensor *weight, int m, aclTensor *grad_y, uint64_t *workspaceSize, aclOpExecutor **executor); #ifdef __cplusplus } #endif #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; } void PrintOutResult(std::vector<int64_t> &shape, void** deviceAddr) { auto size = GetShapeSize(shape); std::vector<float> resultData(size, 0); auto ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), *deviceAddr, 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); for (int64_t i = 0; i < size; i++) { LOG_PRINT("result[%ld] is: %f\n", i, resultData[i]); } } int Init(int32_t deviceId, aclrtStream* stream) { // 固定写法，AscendCL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, aclFormat format) { 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, format, shape.data(), shape.size(), *deviceAddr); return 0; } int main() { // 1. （固定写法）device/stream初始化，参考AscendCL对外接口列表 // 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); uint32_t bs = 1; uint32_t cs = 2; uint32_t ms = 6; uint32_t ns = 5; uint32_t c0 = 16; auto c1 = (cs + c0 - 1) / c0; // 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> gradXShape = {bs, cs, ns, 1}; // nchw std::vector<int64_t> idxShape = {bs, ns, 3}; // nd std::vector<int64_t> weightShape = {bs, ns, 3}; // nd std::vector<int64_t> gradYShape = {bs, cs, ms, 1}; // nchw void* gradXDeviceAddr = nullptr; void* idxDeviceAddr = nullptr; void* weightDeviceAddr = nullptr; void* gradYDeviceAddr = nullptr; aclTensor* gradX = nullptr; aclTensor* idx = nullptr; aclTensor* weight = nullptr; aclTensor* gradY = nullptr; std::vector<float> gradXHostData = {1, 1, 1, 1, 1, 1, 1, 1, 1, 1}; std::vector<uint32_t> idxHostData = {0, 3, 2, 3, 5, 1, 0, 3, 0, 0, 3, 5, 0, 4, 1}; std::vector<float> weightHostData = {3.2081969,-0.86573875,-1.0929844,5.6045847,5.328887,-2.0821328,0.98572457,9.612394,2.216394, 1.8722068,4.2976365,-7.019285,-8.4070425,1.0159919,-0.78814566}; std::vector<float> gradYHostData = {0}; ret = CreateAclTensor(gradXHostData, gradXShape, &gradXDeviceAddr, aclDataType::ACL_FLOAT, &gradX, aclFormat::ACL_FORMAT_NCHW); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(idxHostData, idxShape, &idxDeviceAddr, aclDataType::ACL_INT32, &idx, aclFormat::ACL_FORMAT_ND); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(weightHostData, weightShape, &weightDeviceAddr, aclDataType::ACL_FLOAT, &weight, aclFormat::ACL_FORMAT_ND); CHECK_RET(ret == ACL_SUCCESS, return ret); ret = CreateAclTensor(gradYHostData, gradYShape, &gradYDeviceAddr, aclDataType::ACL_FLOAT, &gradY, aclFormat::ACL_FORMAT_NCHW); 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aclnnThreeInterpolateBackward第一段接口 ret = aclnnThreeInterpolateBackwardGetWorkspaceSize(gradX, idx, weight, ms, gradY, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnThreeInterpolateBackwardGetWorkspaceSize 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aclnnThreeInterpolateBackward第二段接口 ret = aclnnThreeInterpolateBackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnThreeInterpolateBackward 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 PrintOutResult(gradYShape, &gradYDeviceAddr); // 6. 释放aclTensor和aclScalar，需要根据具体API的接口定义修改 aclDestroyTensor(gradX); aclDestroyTensor(idx); aclDestroyTensor(weight); aclDestroyTensor(gradY); // 7. 释放device资源，需要根据具体API的接口定义修改 aclrtFree(gradXDeviceAddr); aclrtFree(idxDeviceAddr); aclrtFree(weightDeviceAddr); aclrtFree(gradYDeviceAddr); 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