CANN双三次上采样反向传播算子-编程阁

aclnnUpsampleBicubic2dAAGrad

【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：aclnnUpsampleBicubic2dAA的反向传播。如果输入张量的shape为(N, C, H, W)，则输出张量的shape为(N, C, inputSize[2], inputSize[3])。
计算公式：对于一个二维插值点$(N, C, h, w)$，插值$gradInput(N, C, h, w)$可以表示为：
$$ {gradInput(N, C, h, w)}=\sum_{i=0}^{3}\sum_{j=0}^{3}{W(i, j)}*{f(h_i, w_j)} $$
$$ scaleH =\begin{cases} (inputSize[2]-1) / (outputSize[0]-1) & alignCorners=true \ 1 / scalesH & alignCorners=false&scalesH>0\ inputSize[2] / outputSize[0] & otherwise \end{cases} $$
$$ scaleW =\begin{cases} (inputSize[3]-1) / (outputSize[1]-1) & alignCorners=true \ 1 / scalesW & alignCorners=false&scalesW>0\ inputSize[3] / outputSize[1] & otherwise \end{cases} $$
其中：
- i和j是$W(i, j)$的索引变量。
- $f(h_i, w_j)$是gradOutput在$(h_i, w_j)$的像素值。
- $W(i, j)$是双三次抗锯齿插值的权重，定义为：
  $$ W(d) =\begin{cases} (a+2)|d|^3-(a+3)|d|^2+1 & |d|\leq1 \ a|d|^3-5a|d|^2+8a|d|-4a & 1<|d|<2 \ 0 & otherwise \end{cases} $$
  其中：
  - $a=-0.5$
  - $d = |(h, w) - (h_i, w_j)|$

函数原型

每个算子分为两段式接口，必须先调用“aclnnUpsampleBicubic2dAAGradGetWorkspaceSize”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“aclnnUpsampleBicubic2dAAGrad”接口执行计算。

aclnnStatus aclnnUpsampleBicubic2dAAGradGetWorkspaceSize( const aclTensor *gradOutput, const aclIntArray *outputSize, const aclIntArray *inputSize, bool alignCorners, double scalesH, double scalesW, aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)

aclnnStatus aclnnUpsampleBicubic2dAAGrad( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)

aclnnUpsampleBicubic2dAAGradGetWorkspaceSize

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`。	alignCorners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`。	不能传入负值。	-	-	-	-
scalesW（double）	输入	表示输出`out`的width维度乘数，对应公式中的`scalesW`。	不能传入负值。	-	-	-	-
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`gradOutput`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的shape不是4维。
		inputSize的H维或W维的取值小于1。
		inputSize的size不为4。
		outputSize的size不为2。
		scalesH或scalesW的值为负数。

aclnnUpsampleBicubic2dAAGrad

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aclnnUpsampleBicubic2dAAGradGetWorkspaceSize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gradOutput、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gradOutput保持一致。
- 内存占用需要满足如下条件：
  $$ (gradOutput_H * gradOutput_W + out_H * out_W + gradOutput_H * out_W) * N * C * sizeof(float) < 60 * 1024 * 1024 * 1024 $$
  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 * gradOutput_H < 2^31
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：aclnnUpsampleBicubic2dAAGrad默认确定性实现。
- Ascend 950PR/Ascend 950DT ：aclnnUpsampleBicubic2dAAGrad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_bicubic2d_aa_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) { // 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_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("aclInit 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aclnnUpsampleBicubic2dAAGrad第一段接口 ret = aclnnUpsampleBicubic2dAAGradGetWorkspaceSize( input, outputSizeArray, inputSizeArray, alignCorners, scalesH, scalesW, out, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleBicubic2dAAGradGetWorkspaceSize 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aclnnUpsampleBicubic2dAAGrad第二段接口 ret = aclnnUpsampleBicubic2dAAGrad(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleBicubic2dAAGrad 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 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aclIntArray，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