news 2026/5/9 14:06:03

CANN/ops-cv GridSample 2D算子

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
CANN/ops-cv GridSample 2D算子

aclnnGridSampler2D

【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：提供一个输入Tensor以及一个对应的grid网格，然后根据grid中每个位置提供的坐标信息，将input中对应位置的像素值填充到网格指定的位置，得到最终的输出。

  • 计算公式：

    输入input、grid网格、输出output的尺寸如下：

    $$ input: (N, C, H_{in}, W_{in})\ grid: (N, H_{out}, W_{out}, 2)\ output: (N, C, H_{out}, W_{out}) $$

    其中input、grid、output中的N是一致的，input和output中的C是一致的，grid和output中的$H_{out}$、$W_{out}$是一致的，grid最后一维大小为2，表示input像素位置信息为(x, y)，会将x和y的取值范围归一化到[-1, 1]之间，(-1, 1)表示左上角坐标，(1, 1)表示右下角坐标。

    • 对于超出范围的坐标，会根据paddingMode进行不同处理：

      • paddingMode=0，表示对越界位置用0填充。
      • paddingMode=1，表示对越界位置用边界值填充。
      • paddingMode=2，表示对越界位置用边界值的对称值填充。

    • 对input采样时，会根据interpolationMode进行不同处理：

      • interpolationMode=0，表示取(x, y)周围四个坐标的加权平均值。
      • interpolationMode=1，表示取input中距离(x, y)最近的坐标值。
      • interpolationMode=2，表示取(x, y)周围十六个坐标的加权平均值。

函数原型

每个算子分为两段式接口，必须先调用“aclnnGridSampler2DGetWorkspaceSize”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“aclnnGridSampler2D”接口执行计算。

aclnnStatus aclnnGridSampler2DGetWorkspaceSize( const aclTensor *input, const aclTensor *grid, int64_t interpolationMode, int64_t paddingMode, bool alignCorners, aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)
aclnnStatus aclnnGridSampler2D( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)

aclnnGridSampler2DGetWorkspaceSize

  • 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
    input（aclTensor*）输入进行插值计算的输入张量，对应公式中描述的`input`。
    • 支持空Tensor。
    • 支持shape为(N, C,Hin,Win)。H*W < INT32的最大值。`input`的shape最后两维的维度值不能为0。
    		FLOAT32、FLOAT16、DOUBLE、BFLOAT16ND4√
    grid（aclTensor*）输入采样的网格，对应公式中描述的`grid`。
    • 支持空Tensor。
    • 数据类型与入参`input`的数据类型一致。
    • 支持shape为(N,Hout,Wout, 2)，且N与入参`input`的shape中的N一致。
    		FLOAT32、FLOAT16、DOUBLE、BFLOAT16ND4√
    interpolationMode（int64_t）输入表示插值模式，对应公式描述中的`interpolationMode`。支持0：bilinear（双线性插值）、1：nearest（最邻近插值）、2：bicubic（双三次插值）三种模式。----
    paddingMode（int64_t）输入表示填充模式，即当(x, y)取值超过输入特征图采样范围时，返回一个特定值。对应公式描述中的`paddingMode`。支持0：zeros、1：border、2：reflection三种模式。----
    alignCorners（bool）输入表示设定特征图坐标与特征值的对应方式，设定为true时，特征值位于像素中心。设定为false时，特征值位于像素的角点。设定为true时，特征值位于像素中心。设定为false时，特征值位于像素的角点。----
    out（aclTensor*）输出插值计算的最终输出结果，对应公式中描述的`output`。
    • 支持空Tensor。
    • 数据类型与input的数据类型一致。
    • 支持shape为(N, C,Hout,Wout)，且N、C与input的shape中的N、C一致，Hout、Wout与grid的shape中的Hout、Wout一致。
    		FLOAT32、FLOAT16、DOUBLE、BFLOAT16ND4√
    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interpolationMode不支持插值模式2：bicubic（双三次插值）。
      • 参数input、grid、out的数据类型不支持BFLOAT16。

    • 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interpolationMode，仅当input数据类型为FLOAT32、FLOAT16或者BFLOAT16时，支持2：bicubic（双三次插值）。

    • Atlas 200I/500 A2 推理产品 ：

      当接口运行在AI Core时，需要满足如下条件：

      • 入参interpolationMode为bilinear。
      • 入参paddingMode为zeros。
      • 参数input、grid、out的数据类型为FLOAT16。
      • 参数input的shape需要满足C维的值为32。

    • Atlas 推理系列产品 ：

      当接口运行在AI Core时，需要满足如下条件：

      • 入参interpolationMode为bilinear。
      • 入参paddingMode为zeros。
      • 参数input、grid、out的数据类型为FLOAT32。
      • 参数input的shape需要满足C维的值为32或者CHW < 20480。
      • 参数input的数据格式不支持NHWC。

  • 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传入的input、grid或out是空指针。
    ACLNN_ERR_PARAM_INVALID161002input、grid、out的数据类型不在支持的范围之内或数据类型不一致。
    interpolationMode或paddingMode的值不在支持范围内。
    interpolationMode为bicubic时，input、grid、out的数据类型不是FLOAT32或者FLOAT16。
    input、grid、out的维度关系不匹配。
    input最后两维为空。

aclnnGridSampler2D

  • 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aclnnGridSampler2DGetWorkspaceSize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input、grid、out的数据格式只支持(N, C, H, W)，当输入其他数据格式时，默认按照(N, C, H, W)格式处理。
  • 输入input的（H轴的大小 * W轴的大小） < INT32的最大值。
  • 当grid的输入值*图片（长或宽）大于24位的二进制数（16777216）时，采样点可能存在误差，精度可能产生偏差。
  • 如果grid含有大量超过[-1, 1]范围的数据，使用zeros或者border的填充策略时，计算结果中的值会大量重复。
  • 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 ：
    • 如果grid存在超出[-1, 1]范围的数据，使用bicubic插值时，小值域数据计算可能存在误差，精度可能产生偏差。
    • 使用bilinear或者bicubic插值时，针对FLOAT16数据类型，需要使用workspace内存。
  • Atlas 训练系列产品 ：使用bilinear插值时，针对FLOAT16数据类型，需要使用workspace内存。
  • 确定性计算：
    • aclnnGridSampler2D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_grid_sampler2d.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侧数据复制到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 int64_t interpolationMode = 0; int64_t paddingMode = 0; bool alignCorners = false; std::vector<int64_t> inputShape = {1, 1, 5, 8}; std::vector<int64_t> gridShape = {1, 3, 3, 2}; std::vector<int64_t> outShape = {1, 1, 3, 3}; void* inputDeviceAddr = nullptr; void* gridDeviceAddr = nullptr; void* outDeviceAddr = nullptr; aclTensor* input = nullptr; aclTensor* grid = nullptr; aclTensor* out = nullptr; std::vector<float> inputHostData = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40}; std::vector<float> gridHostData = {-1, -1, 0, -1, 1, -1, -1, 0, 0, 0, 1, 0, -1, 1, 0, 1, 1, 1}; std::vector<float> outHostData = {0, 0, 0, 0, 0, 0, 0, 0, 0}; // 创建input aclTensor ret = CreateAclTensor(inputHostData, inputShape, &inputDeviceAddr, aclDataType::ACL_FLOAT, &input); CHECK_RET(ret == ACL_SUCCESS, return ret); // 创建grid aclTensor ret = CreateAclTensor(gridHostData, gridShape, &gridDeviceAddr, aclDataType::ACL_FLOAT, &grid); 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); // 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aclnnGridSampler2D第一段接口 ret = aclnnGridSampler2DGetWorkspaceSize( input, grid, interpolationMode, paddingMode, alignCorners, out, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnGridSampler2DGetWorkspaceSize failed. ERROR: %d.\n[ERROR msg]%s", ret, aclGetRecentErrMsg()); 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[ERROR msg]%s", ret, aclGetRecentErrMsg()); return ret); } // 调用aclnnGridSampler2D第二段接口 ret = aclnnGridSampler2D(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnGridSampler2D failed. ERROR: %d.\n[ERROR msg]%s", ret, aclGetRecentErrMsg()); 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[ERROR msg]%s", ret, aclGetRecentErrMsg()); return ret); // 5. 获取输出的值，将device侧内存上的结果复制至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 resultData from device to host failed. ERROR: %d.\n[ERROR msg]%s", ret, aclGetRecentErrMsg()); return ret); for (int64_t i = 0; i < size; i++) { LOG_PRINT("resultData[%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(grid); 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(gridDeviceAddr); 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

版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/5/9 14:06:01

AI驱动组织管理：从团队组建到动态优化的技术实战

1. 项目概述&#xff1a;当AI成为你的“首席组织架构师”在过去的几年里&#xff0c;我参与和观察了不下二十个团队的组建与重组过程。从初创公司的五人小分队&#xff0c;到数百人的业务部门拆分&#xff0c;一个永恒的难题始终横亘在管理者面前&#xff1a;如何把对的人放在对…

作者头像 李华
网站建设 2026/5/9 14:05:02

基于Spring Boot+Vue的小区物业管理平台毕业设计源码

博主介绍&#xff1a;✌ 专注于Java,python,✌关注✌私信我✌具体的问题&#xff0c;我会尽力帮助你。一、研究目的本研究旨在构建一个基于Spring Boot与Vue框架的小区物业管理平台以解决传统物业管理模式中存在的信息传递滞后、服务响应效率低下以及资源分配不均等问题。当前城…

作者头像 李华
网站建设 2026/5/9 14:04:58

ONB-MACF：基于形态学与反因果的可信反事实解释方法实践

1. 项目概述&#xff1a;当模型说“不”时&#xff0c;我们如何追问“为什么”&#xff1f;在机器学习模型日益渗透到信贷审批、医疗诊断、招聘筛选等关键决策领域的今天&#xff0c;一个核心的信任危机随之而来&#xff1a;当模型拒绝了一个贷款申请、给出了一个负面的诊断建议…

作者头像 李华
网站建设 2026/5/9 14:03:44

CANN/ATVOSS绝对值运算API文档

Abs 【免费下载链接】atvoss ATVOSS&#xff08;Ascend C Templates for Vector Operator Subroutines&#xff09;是一套基于Ascend C开发的Vector算子库&#xff0c;致力于为昇腾硬件上的Vector类融合算子提供极简、高效、高性能、高拓展的编程方式。 项目地址: https://gi…

作者头像 李华
网站建设 2026/5/9 14:02:44

CANN/metadef获取算子ArgsFormat函数

GetArgsFormat 【免费下载链接】metadef Ascend Metadata Definition 项目地址: https://gitcode.com/cann/metadef 函数功能 获取算子的ArgsFormat。 函数原型 const char *GetArgsFormat() const参数说明 无 返回值说明 成功时返回算子的ArgsFormat。 失败时&a…

作者头像 李华
网站建设 2026/5/9 13:59:44

HoRain云--PHP表单数据处理：安全防护全攻略

&#x1f3ac; HoRain 云小助手&#xff1a;个人主页 ⛺️生活的理想&#xff0c;就是为了理想的生活! ⛳️ 推荐 前些天发现了一个超棒的服务器购买网站&#xff0c;性价比超高&#xff0c;大内存超划算&#xff01;忍不住分享一下给大家。点击跳转到网站。 目录 ⛳️ 推荐 …

作者头像 李华