下载
EN
注册
我要评分
文档获取效率
文档正确性
内容完整性
文档易理解
在线提单
论坛求助
昇腾小AI

RpSort16

函数功能

根据Region Proposals中的score域对其进行排序(score大的排前面),每次排16个Region Proposals。

函数原型

1
2
template <typename T>
__aicore__ inline void RpSort16(const LocalTensor<T>& dstLocal, const LocalTensor<T>& srcLocal, const int32_t repeatTimes)

参数说明

表1 参数说明

参数名称

输入/输出

含义

dstLocal

输出

目的操作数,存储经过排序后的Region Proposals。

类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。

Atlas 训练系列产品,支持的数据类型为:half

Atlas推理系列产品AI Core,支持的数据类型为:half/float

srcLocal

输入

源操作数,存储未经过排序的Region Proposals。

类型为LocalTensor,支持的TPosition为VECIN/VECCALC/VECOUT。

Atlas 训练系列产品,支持的数据类型为:half

Atlas推理系列产品AI Core,支持的数据类型为:half/float

repeatTimes

输入

重复迭代次数,int32_t类型,每次排16个proposals。取值范围:repeatTimes∈[0,255]。

支持的型号

Atlas 训练系列产品

Atlas推理系列产品AI Core

注意事项

  • 用户需保证srcLocal和dstLocal中存储的Region Proposal数目大于实际所需数据,否则会存在tensor越界错误。
  • 当存在proposal[i]与proposal[j]的score值相同时,如果i>j,则proposal[j]将首先被选出来,排在前面。
  • 操作数地址偏移对齐要求请参见通用约束

调用示例

  • 接口使用样例
    1
    2
    // repeatTimes = 2, 对2个Region Proposal进行排序
    AscendC::RpSort16(dstLocal, dstLocal, 2);
    
  • 完整样例
     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
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51
    52
    53
    54
    55
    56
    57
    58
    59
    60
    61
    62
    63
    64
    65
    66
    #include "kernel_operator.h"
    
    class KernelVecProposal {
    public:
        __aicore__ inline KernelVecProposal() {}
        __aicore__ inline void Init(__gm__ uint8_t* src, __gm__ uint8_t* dstGm)
        {
            srcGlobal.SetGlobalBuffer((__gm__ half*)src);
            dstGlobal.SetGlobalBuffer((__gm__ half*)dstGm);
    
            pipe.InitBuffer(inQueueSrc, 1, srcDataSize * sizeof(half));
            pipe.InitBuffer(outQueueDst, 1, dstDataSize * sizeof(half));
        }
        __aicore__ inline void Process()
        {
            CopyIn();
            PreProcess();
            Compute();
            CopyOut();
        }
    
    private:
        __aicore__ inline void CopyIn()
        {
            AscendC::LocalTensor<half> srcLocal = inQueueSrc.AllocTensor<half>();
            AscendC::DataCopy(srcLocal, srcGlobal, srcDataSize);
            inQueueSrc.EnQue(srcLocal);
        }
        __aicore__ inline void PreProcess()
        {
            AscendC::LocalTensor<half> srcLocal = inQueueSrc.DeQue<half>();
            AscendC::LocalTensor<half> dstLocal = outQueueDst.AllocTensor<half>();
            AscendC::ProposalConcat(dstLocal, srcLocal, repeat, mode); // sort排序是基于score的,此处先创建一个有score数据的proposal,需要注意的是,非score处的数据可能是随机值
            outQueueDst.EnQue<half>(dstLocal);
            inQueueSrc.FreeTensor(srcLocal);
        }
        __aicore__ inline void Compute()
        {
            AscendC::LocalTensor<half> dstLocal = outQueueDst.DeQue<half>();
            AscendC::RpSort16(dstLocal, dstLocal, repeat);
            outQueueDst.EnQue<half>(dstLocal);
        }
        __aicore__ inline void CopyOut()
        {
            AscendC::LocalTensor<half> dstLocal = outQueueDst.DeQue<half>();
            AscendC::DataCopy(dstGlobal, dstLocal, dstDataSize);
            outQueueDst.FreeTensor(dstLocal);
        }
    
    private:
        AscendC::TPipe pipe;
        AscendC::TQue<AscendC::QuePosition::VECIN, 1> inQueueSrc;
        AscendC::TQue<AscendC::QuePosition::VECOUT, 1> outQueueDst;
        AscendC::GlobalTensor<half> srcGlobal, dstGlobal;
        int srcDataSize = 32;
        int dstDataSize = 256;
        int repeat = srcDataSize / 16;
        int mode = 4;
    };
    
    extern "C" __global__ __aicore__ void vec_proposal_kernel(__gm__ uint8_t* src, __gm__ uint8_t* dstGm)
    {
        KernelVecProposal op;
        op.Init(src, dstGm);
        op.Process();
    }
    
    示例结果
    输入数据(src_gm):
    [ -1.624 -42.3   -54.12   91.25  -99.4    36.72   67.44  -66.3   -52.53
       3.377 -62.47  -15.85  -31.47    3.143  58.47  -83.75 21.58   63.47    
       7.234  35.16  -39.72   37.8    73.06  -98.7    44.1 -77.2    67.2    
       19.62  -87.9   -14.875  15.86  -77.75]
    输出数据(dst_gm):
    [  0.      0.      0.      0.     91.25    0.      0.      0.      0.
       0.      0.      0.     67.44    0.      0.      0.      0.      0.
       0.      0.     58.47    0.      0.      0.      0.      0.      0.
       0.     36.72    0.      0.      0.      0.      0.      0.      0.
       3.377   0.      0.      0.      0.      0.      0.      0.      3.143
       0.      0.      0.      0.      0.      0.      0.     -1.624   0.
       0.      0.      0.      0.      0.      0.    -15.85    0.      0.
       0.      0.      0.      0.      0.    -31.47    0.      0.      0.
       0.      0.      0.      0.    -42.3     0.      0.      0.      0.
       0.      0.      0.    -52.53    0.      0.      0.      0.      0.
       0.      0.    -54.12    0.      0.      0.      0.      0.      0.
       0.    -62.47    0.      0.      0.      0.      0.      0.      0.
     -66.3     0.      0.      0.      0.      0.      0.      0.    -83.75
       0.      0.      0.      0.      0.      0.      0.    -99.4     0.
       0.      0.      0.      0.      0.      0.     73.06    0.      0.      
       0.      0.      0.      0.      0.     67.2     0.      0.      0.      
       0.      0.      0.      0.     63.47    0.      0.      0.      0.      
       0.      0.      0.     44.1     0.      0.      0.      0.      0.      
       0.      0.     37.8     0.      0.      0.      0.      0.      0.      
       0.     35.16    0.      0.      0.      0.      0.      0.      0.     
      21.58    0.      0.      0.      0.      0.      0.      0.     19.62    
       0.      0.      0.      0.      0.      0.      0.     15.86    0.      
       0.      0.      0.      0.      0.      0.      7.234   0.      0.      
       0.      0.      0.      0.      0.    -14.875   0.      0.      0.      
       0.      0.      0.      0.    -39.72    0.      0.      0.      0.      
       0.      0.      0.    -77.2     0.      0.      0.      0.      0.      
       0.      0.    -77.75    0.      0.      0.      0.      0.      0.      
       0.    -87.9     0.      0.      0.      0.      0.      0.      0.    
     -98.7     0.      0.      0.   ]
搜索结果
找到“0”个结果

当前产品无相关内容

未找到相关内容,请尝试其他搜索词