CANN/ops-math图像到列算子

张

张建站

2026/5/9 15:30:32

10分钟阅读

$CANN/ops-math图像到列算子$

aclnnIm2col【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实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-math 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×功能说明接口功能图像到列滑动局部窗口数据转为列向量拼接为大张量。从批处理输入张量中提取滑动窗口。考虑一个形状为N, C, H, W或 (C, H, W) 的批处理input张量其中N是批处理维度 C是通道维度而 H, W 表示图像大小此操作将input的空间维度内的每个滑动kernel_size大小的块展平为N, C $\times \prod$kernel_size, L的3-D 或 C $\times \prod$kernel_size, L的2-D 的 output张量的列即最后一维而L是这些块的总数。计算公式$L \prod_{d} \lfloor \frac{spatial_size[d] 2 \times padding[d] - dilation[d] \times kernel_size[d] -1 -1}{stride[d]} 1 \rfloor$, 其中spatial_size由上述input张量的H,W构成。函数原型每个算子分为两段式接口必须先调用“aclnnIm2colGetWorkspaceSize”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“aclnnIm2col”接口执行计算。aclnnStatus aclnnIm2colGetWorkspaceSize( const aclTensor *self, const aclIntArray *kernelSize, const aclIntArray *dilation, const aclIntArray *padding, const aclIntArray *stride, const aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnIm2col( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)aclnnIm2colGetWorkspaceSize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TensorselfaclTensor*输入待进行im2col计算的入参对应公式中的self。支持空Tensor。INT8、UINT8、INT16、UINT16、INT32、UINT32、INT64、UINT64、BFLOAT16、FLOAT16、FLOAT、DOUBLE、BOOL、COMPLEX32、COMPLEX64ND3-4√kernelSizeaclIntArray*输入卷积核的大小对应公式中的kernelSize。kernelSize[0]表示H方向。kernelSize[1]表示W方向。INT64-2-dilation aclIntArray*输入膨胀参数对应公式中的dilation。dilation[0]表示H方向。dilation[1]表示W方向。INT64-2-paddingaclIntArray*输入卷积的填充大小对应公式中的padding。padding[0]表示H方向。padding[1]表示W方向。INT64-2-stride aclIntArray*输入卷积的步长对应公式中的stride。stride[0]表示H方向。stride[1]表示W方向。INT64-2-outaclTensor*输出待进行im2col计算的出参对应公式中的out。shape根据上述参数推导。INT8、UINT8、INT16、UINT16、INT32、UINT32、INT64、UINT64、BFLOAT16、FLOAT16、FLOAT、DOUBLE、BOOL、COMPLEX32、COMPLEX64ND2维输入3维或者3维输入4维√workspaceSizeuint64_t*输出返回需要在Device侧申请的workspace大小。-----executoraclOpExecutor**输出返回op执行器包含了算子计算流程。-----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 推理系列产品仅支持FLOAT、FLOAT16、BFLOAT16。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_NULLPTR161001传入的self、kernelSize、dilation、padding、stride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的维度不是3维且不是4维。kernelSize、dilation、padding或stride的size不为2。kernelSize、dilation或stride存在值等于或小于0的元素。padding存在小于0的元素。out的数据维度与参数infershape的维度不相同aclnnIm2col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aclnnIm2colGetWorkspaceSize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。约束说明确定性计算aclnnIm2col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_im2col.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::vectorint64_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::vectorT hostData, const std::vectorint64_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::vectorint64_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 std::vectorint64_t selfShape {2, 2, 3}; std::vectorint64_t outShape {8, 4}; void* selfDeviceAddr nullptr; void* outDeviceAddr nullptr; aclTensor* self nullptr; aclIntArray* kernelSize nullptr; aclIntArray* dilation nullptr; aclIntArray* padding nullptr; aclIntArray* stride nullptr; aclTensor* out nullptr; std::vectorfloat selfHostData {0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0, 11.0}; std::vectorint64_t kernelSizeData {2, 2}; std::vectorint64_t dilationData {1, 1}; std::vectorint64_t paddingData {1, 1}; std::vectorint64_t strideData {2, 2}; std::vectorfloat outHostData {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aclIntArray kernelSize aclCreateIntArray(kernelSizeData.data(), 2); CHECK_RET(kernelSize ! nullptr, return ret); dilation aclCreateIntArray(dilationData.data(), 2); CHECK_RET(dilation ! nullptr, return ret); padding aclCreateIntArray(paddingData.data(), 2); CHECK_RET(padding ! nullptr, return ret); stride aclCreateIntArray(strideData.data(), 2); CHECK_RET(stride ! 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aclnnIm2col第一段接口 ret aclnnIm2colGetWorkspaceSize(self, kernelSize, dilation, padding, stride, out, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnIm2colGetWorkspaceSize 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aclnnIm2col第二段接口 ret aclnnIm2col(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnIm2col 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 auto size GetShapeSize(outShape); std::vectorfloat 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(kernelSize); aclDestroyIntArray(dilation); aclDestroyIntArray(padding); aclDestroyIntArray(stride); 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-math本项目是CANN提供的数学类基础计算算子库实现网络在NPU上加速计算。项目地址: https://gitcode.com/cann/ops-math创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

k-Means实战避坑指南：从scikit-learn到业务落地的Python全流程

1. 这不是“调个包就完事”的聚类课：一个十年数据工程师眼里的k-Means实战真相你是不是也见过这样的教程？——几行代码跑通KMeans(n_clusters3)，画个散点图，配句“看，数据自动分成了三组！”，然后…...

2026/5/9 15:24:55 阅读更多 →

CANN Exp算子API描述

Exp 算子 API 描述【免费下载链接】cann-bench 评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台&#xff0…...

2026/5/9 15:22:07 阅读更多 →

5大核心技术揭秘：Seraphine如何通过LCU API重塑英雄联盟游戏体验

5大核心技术揭秘：Seraphine如何通过LCU API重塑英雄联盟游戏体验【免费下载链接】Seraphine 英雄联盟战绩查询工具项目地址: https://gitcode.com/gh_mirrors/se/Seraphine 在竞技游戏的激烈对抗中，信息差往往是决定胜负的关键因素。Seraphine作…...

2026/5/9 15:21:37 阅读更多 →