aclnnUpsampleBilinear2dAABackward【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aclnnUpsampleBilinear2dAA的反向传播。计算公式对于一个二维插值点$(N, C, H, W)$插值$I(N, C, H, W)$可以表示为$$ {I(N, C, H, W)} \sum_{i0}^{kW}\sum_{j0}^{kH}{w(i) * w(j)} * {f(h_i, w_j)}/\sum_{i0}^{kW}w(i)/\sum_{j0}^{kH}w(j) $$$$ scaleH \begin{cases} (inputSize[2]-1) / (outputSize[0]-1) alignCornerstrue \ 1 / scalesH alignCornersfalsescalesH0\ inputSize[2] / outputSize[0] otherwise \end{cases} $$$$ scaleW \begin{cases} (inputSize[3]-1) / (outputSize[1]-1) alignCornerstrue \ 1 / scalesW alignCornersfalsescalesW0\ inputSize[3] / outputSize[1] otherwise \end{cases} $$其中$kW$、$kH$分别表示W方向和H方向影响插值点大小的点的数量如果$scaleH 1$则$kH floor(scaleH) * 2 1$否则$kH 3$如果$scaleW 1$则$kW floor(scaleW) * 2 1$否则$kW 3$$w(i)$、$w(j)$是双线性抗锯齿插值的W方向和H方向权重计算公式为$$ w(i) \begin{cases} 1 - |h_i - h| |h_i -h| 1 \ 0 otherwise \end{cases} $$$$ w(j) \begin{cases} 1 - |w_j - w| |w_j -w| 1 \ 0 otherwise \end{cases} $$假设正向插值的输出图像out $(h, w)$受原图像input $(h_i, w_j)$影响则有$$ gradInput(h_i,w_j) gradOutput(h,w) * w(i) * w(j) $$函数原型每个算子分为两段式接口必须先调用“aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize”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“aclnnUpsampleBilinear2dAABackward”接口执行计算。aclnnStatus aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize( const aclTensor *gradOutput, const aclIntArray *outputSize, const aclIntArray *inputSize, bool alignCorners, double scalesH, double scalesW, aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnUpsampleBilinear2dAABackward( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize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TensorgradOutputaclTensor*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、BFLOAT16NCHW、ND4√outputSizeaclIntArray*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---inputSizeaclIntArray*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---alignCornersbool输入决定是否对齐角像素点对应公式中的alignCorners。如果为true则输入和输出张量的角像素点会被对齐否则不对齐。----scalesHdouble输入表示输出out的height维度乘数对应公式中的scalesH。值为正数才生效。----scalesWdouble输入表示输出out的width维度乘数对应公式中的scalesW。值为正数才生效。----outaclTensor*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入参gradOutput的数据类型和数据格式保持一致。FLOAT32、FLOAT16、BFLOAT16NCHW、ND4√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。-----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gradOutput、inputSize或out是空指针。ACLNN_ERR_PARAM_INVALID161002gradOutput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、out的shape不是4维。outputSize的size不等于2。outputSize的某个元素值不大于0。inputSize的size不等于4。inputSize的某个元素值不大于0。scalesH、scalesW的取值为负数。aclnnUpsampleBilinear2dAABackward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aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize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 aclnnUpsampleBilinear2dAABackward默认确定性实现。Ascend 950PR/Ascend 950DT aclnnUpsampleBilinear2dAABackward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_bilinear2d_aa_backward.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 CreateAclNchTensor(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_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(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 inputShape {1, 1, 4, 2}; std::vectorint64_t outShape {1, 1, 8, 4}; void *inputDeviceAddr nullptr; void *outDeviceAddr nullptr; aclTensor *input nullptr; aclTensor *out nullptr; std::vectorfloat inputHostData {0, 1, 2, 3, 4, 5, 6, 7}; const size_t kSize32 32U; std::vectorfloat outHostData(kSize32, 0); const size_t kSize4 4U; std::vectorint64_t outputSize {kSize4, 2}; std::vectorint64_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aclnnUpsampleBilinear2dAABackward第一段接口 ret aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize( input, outputSizeArray, inputSizeArray, alignCorners, scalesH, scalesW, out, workspaceSize, executor); CHECK_RET( ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize 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aclnnUpsampleBilinear2dAABackward第二段接口 ret aclnnUpsampleBilinear2dAABackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleBilinear2dAABackward 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 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
CANN/ops-cv双线性抗锯齿上采样反向算子
发布时间：2026/7/10 13:14:44
aclnnUpsampleBilinear2dAABackward【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aclnnUpsampleBilinear2dAA的反向传播。计算公式对于一个二维插值点$(N, C, H, W)$插值$I(N, C, H, W)$可以表示为$$ {I(N, C, H, W)} \sum_{i0}^{kW}\sum_{j0}^{kH}{w(i) * w(j)} * {f(h_i, w_j)}/\sum_{i0}^{kW}w(i)/\sum_{j0}^{kH}w(j) $$$$ scaleH \begin{cases} (inputSize[2]-1) / (outputSize[0]-1) alignCornerstrue \ 1 / scalesH alignCornersfalsescalesH0\ inputSize[2] / outputSize[0] otherwise \end{cases} $$$$ scaleW \begin{cases} (inputSize[3]-1) / (outputSize[1]-1) alignCornerstrue \ 1 / scalesW alignCornersfalsescalesW0\ inputSize[3] / outputSize[1] otherwise \end{cases} $$其中$kW$、$kH$分别表示W方向和H方向影响插值点大小的点的数量如果$scaleH 1$则$kH floor(scaleH) * 2 1$否则$kH 3$如果$scaleW 1$则$kW floor(scaleW) * 2 1$否则$kW 3$$w(i)$、$w(j)$是双线性抗锯齿插值的W方向和H方向权重计算公式为$$ w(i) \begin{cases} 1 - |h_i - h| |h_i -h| 1 \ 0 otherwise \end{cases} $$$$ w(j) \begin{cases} 1 - |w_j - w| |w_j -w| 1 \ 0 otherwise \end{cases} $$假设正向插值的输出图像out $(h, w)$受原图像input $(h_i, w_j)$影响则有$$ gradInput(h_i,w_j) gradOutput(h,w) * w(i) * w(j) $$函数原型每个算子分为两段式接口必须先调用“aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize”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“aclnnUpsampleBilinear2dAABackward”接口执行计算。aclnnStatus aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize( const aclTensor *gradOutput, const aclIntArray *outputSize, const aclIntArray *inputSize, bool alignCorners, double scalesH, double scalesW, aclTensor *out, uint64_t *workspaceSize, aclOpExecutor **executor)aclnnStatus aclnnUpsampleBilinear2dAABackward( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize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TensorgradOutputaclTensor*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、BFLOAT16NCHW、ND4√outputSizeaclIntArray*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---inputSizeaclIntArray*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---alignCornersbool输入决定是否对齐角像素点对应公式中的alignCorners。如果为true则输入和输出张量的角像素点会被对齐否则不对齐。----scalesHdouble输入表示输出out的height维度乘数对应公式中的scalesH。值为正数才生效。----scalesWdouble输入表示输出out的width维度乘数对应公式中的scalesW。值为正数才生效。----outaclTensor*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入参gradOutput的数据类型和数据格式保持一致。FLOAT32、FLOAT16、BFLOAT16NCHW、ND4√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。-----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gradOutput、inputSize或out是空指针。ACLNN_ERR_PARAM_INVALID161002gradOutput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、out的shape不是4维。outputSize的size不等于2。outputSize的某个元素值不大于0。inputSize的size不等于4。inputSize的某个元素值不大于0。scalesH、scalesW的取值为负数。aclnnUpsampleBilinear2dAABackward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aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize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 aclnnUpsampleBilinear2dAABackward默认确定性实现。Ascend 950PR/Ascend 950DT aclnnUpsampleBilinear2dAABackward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_bilinear2d_aa_backward.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 CreateAclNchTensor(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_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(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 inputShape {1, 1, 4, 2}; std::vectorint64_t outShape {1, 1, 8, 4}; void *inputDeviceAddr nullptr; void *outDeviceAddr nullptr; aclTensor *input nullptr; aclTensor *out nullptr; std::vectorfloat inputHostData {0, 1, 2, 3, 4, 5, 6, 7}; const size_t kSize32 32U; std::vectorfloat outHostData(kSize32, 0); const size_t kSize4 4U; std::vectorint64_t outputSize {kSize4, 2}; std::vectorint64_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aclnnUpsampleBilinear2dAABackward第一段接口 ret aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize( input, outputSizeArray, inputSizeArray, alignCorners, scalesH, scalesW, out, workspaceSize, executor); CHECK_RET( ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleBilinear2dAABackwardGetWorkspaceSize 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aclnnUpsampleBilinear2dAABackward第二段接口 ret aclnnUpsampleBilinear2dAABackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleBilinear2dAABackward 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 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
