news 2026/5/9 14:39:35

CANN双三次上采样算子

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
CANN双三次上采样算子

aclnnUpsampleBicubic2d

【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：对由多个输入通道组成的输入信号应用2D双三次上采样。如果输入Tensor x的shape为(N, C, H, W)，则输出Tensor out的shape为(N, C, outputSize[0], outputSize[1])。

  • 计算公式：对于一个二维插值点$(N, C, h, w)$，插值$out(N, C, h, w)$可以表示为：

    $$ {out(N, C, h, w)}=\sum_{i=0}^{3}\sum_{j=0}^{3}{W(i, j)}*{f(h_i, w_j)} $$

    $$ scaleH =\begin{cases} (self.dim(2)-1) / (outputSize[0]-1) & alignCorners=true \ 1 / scalesH & alignCorners=false&scalesH>0\ self.dim(2) / outputSize[0] & otherwise \end{cases} $$

    $$ scaleW =\begin{cases} (self.dim(3)-1) / (outputSize[1]-1) & alignCorners=true \ 1 / scalesW & alignCorners=false&scalesW>0\ self.dim(3) / outputSize[1] & otherwise \end{cases} $$

    其中：

    • i和j是$W(i, j)$的索引变量。

    • $f(h_i, w_j)$是原图像在$(h_i, w_j)$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：

      • $a=-0.75$
      • $d = |(h, w) - (h_i, w_j)|$

函数原型

每个算子分为两段式接口，必须先调用“aclnnUpsampleBicubic2dGetWorkspaceSize”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“aclnnUpsampleBicubic2d”接口执行计算。

aclnnStatus aclnnUpsampleBicubic2dGetWorkspaceSize( const aclTensor* self, const aclIntArray* outputSize, const bool alignCorners, const double scalesH, const double scalesW, aclTensor* out, uint64_t* workspaceSize, aclOpExecutor** executor)
aclnnStatus aclnnUpsampleBicubic2d( void* workspace, uint64_t workspaceSize, aclOpExecutor* executor, aclrtStream stream)

aclnnUpsampleBicubic2dGetWorkspaceSize

  • 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
    self（aclTensor*）输入表示进行上采样的输入张量，对应公式中的`self`。
    • 不支持空Tensor。
    • 当数据格式为ND时，默认按照NCHW格式处理。
    		FLOAT32、FLOAT16、BFLOAT16NCHW、ND、NHWC4√
    outputSize（aclIntArray*）输入表示指定`out`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0。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，否则输入和输出张量的边像素点会被对齐。----
    scalesH（double）输入指定空间大小的height维度乘数，对应公式中的`scalesH`。-----
    scalesW（double）输入指定空间大小的width维度乘数，对应公式中的`scalesW`。-----
    out（aclTensor*）输出表示采样后的输出张量，对应公式中的`out`。
    • 不支持空Tensor。
    • 数据类型和数据格式与`self`保持一致。
    • shape支持4维：(batch, channel, height, width)，其中batch与channel分别来源于入参`self`的第零维和第一维，height与width分别来源于`outputSize`的第一与第二个值。
    		FLOAT32、FLOAT16、BFLOAT16NCHW、ND、NHWC4√
    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 200I/500 A2 推理产品 、 Atlas 推理系列产品 、 Atlas 训练系列产品 ：

      • 数据类型：参数self、out不支持BFLOAT16。
      • 数据格式：参数self、out不支持NHWC。

    • 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 ：

      参数self、out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self、outputSize或out是空指针。
    ACLNN_ERR_PARAM_INVALID161002self的数据类型不在支持的范围之内。
    self和out的数据类型不一致。
    self的数据格式不在支持的范围之内。
    self和out的数据格式不一致。
    self和out的shape不是4维。
    outputSize的size不等于2。
    self在C、H、W维度上的大小不大于0。
    outputSize的某个元素值不大于0。
    out在N、C维度上的大小不等于self在N、C维度上的大小。
    out在H、W维度上的大小不等于outputSize里对应元素值。
    self、outputSize、scalesH、scalesW不满足约束。

aclnnUpsampleBicubic2d

  • 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aclnnUpsampleBicubic2dGetWorkspaceSize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self、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self保持一致。

    • 内存占用需小于60G。内存占用的计算公式如下：

      $$ (self_H * self_W + out_H * out_W + self_H * out_W) * N * C * sizeof(float) < 60 * 1024 * 1024 * 1024 $$

      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 * self_H < 2^31

  • 参数self、outputSize、scalesH、scalesW需要满足如下约束：

    $$ outputSize_H = floor(self_H * scalesH) $$

    $$ outputSize_W = floor(self_W * scalesW) $$

  • 确定性计算：

    • aclnnUpsampleBicubic2d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_bicubic_2d.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 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, 3}; std::vector<int64_t> outShape = {1, 1, 5, 5}; void *selfDeviceAddr = nullptr; void *outDeviceAddr = nullptr; aclTensor *self = nullptr; aclTensor *out = nullptr; std::vector<float> selfHostData = {1, 2, 3, 4, 5, 6, 7, 8, 9}; std::vector<float> outHostData(25, 0); std::vector<int64_t> outputSizeData = {5, 5}; bool alignCorners = false; double scalesH = 0.0; double scalesW = 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); // 创建outputSize aclIntArray const aclIntArray *outputSize = aclCreateIntArray(outputSizeData.data(), outputSizeData.size()); CHECK_RET(outputSize != nullptr, 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aclnnUpsampleBicubic2d第一段接口 ret = aclnnUpsampleBicubic2dGetWorkspaceSize( self, outputSize, alignCorners, scalesH, scalesW, out, &workspaceSize, &executor); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleBicubic2dGetWorkspaceSize 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aclnnUpsampleBicubic2d第二段接口 ret = aclnnUpsampleBicubic2d(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnUpsampleBicubic2d 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(self); aclDestroyIntArray(outputSize); aclDestroyTensor(out); // 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

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 14:38:38

AI Agent团队技能包：集成OpenClaw、Claude Code与tmux实现自动化开发

1. 项目概述&#xff1a;为AI Agent团队打造的“破限”技能包如果你正在尝试构建一个由多个AI助手&#xff08;比如Claude Code、OpenClaw&#xff09;和终端工具&#xff08;如tmux&#xff09;协同工作的自动化开发团队&#xff0c;那么你很可能已经遇到了一个瓶颈&#xff1…

作者头像 李华
网站建设 2026/5/9 14:32:33

CANN/ops-math掩码填充算子

aclnnInplaceMaskedFillScalar 【免费下载链接】ops-math 本项目是CANN提供的数学类基础计算算子库&#xff0c;实现网络在NPU上加速计算。 项目地址: https://gitcode.com/cann/ops-math &#x1f4c4; 查看源码 产品支持情况 产品是否支持Ascend 950PR/Ascend 950DT…

作者头像 李华
网站建设 2026/5/9 14:30:31

STM32G4内部运放实战：用OPAMP+ADC搞定无刷电机电流采样（附完整代码）

STM32G4内部运放实战&#xff1a;无刷电机电流采样的工程化实现 在电机控制系统中&#xff0c;电流采样是闭环控制的基础。传统方案依赖外部运放和分立元件&#xff0c;不仅增加BOM成本&#xff0c;还面临PCB布局复杂、温漂难以补偿等问题。STM32G4系列内置的三个可编程运放(OP…

作者头像 李华
网站建设 2026/5/9 14:27:34

GPT-4与GPT-3错误信息识别能力深度对比与工程实践指南

1. 项目概述&#xff1a;为什么我们需要重新审视AI的“事实核查”能力 最近在跟进大语言模型的实际应用时&#xff0c;我发现一个被广泛讨论但细节常被忽略的问题&#xff1a;当AI模型面对海量信息时&#xff0c;它们辨别真伪的能力究竟如何&#xff1f;特别是当GPT-4发布后&am…

作者头像 李华