aclnnUpsampleLinear1dBackward

产品支持情况

[object Object]undefined

功能说明

• 接口功能：的反向传播。

• 计算公式：

  • 正向的核心算法逻辑：
    1. 将目标图像缩放到和原始图像一样大的尺寸。
    2. 计算缩放之后的目标图像的点，以及前后相邻的原始图像的点。
    3. 分别计算相邻点到对应目标点的权重，按照权重相乘累加即可得到目标点值。
  • 具体计算逻辑： 缩放方式分为角对齐和边对齐，角对齐表示按照原始图片左上角像素中心点对齐，边对齐表示按照原始图片左上角顶点及两条边对齐，在计算缩放系数和坐标位置时存在差异。则有以下公式：$$scale =\begin{cases} (inputSize[2]-1) / (outputSize[0]-1) & alignCorners=true \\ 1 / scales & alignCorners=false\&scales>0\\ inputSize[2] / outputSize[0] & alignCorners=false \end{cases}$$ 因此，对于output的某个方向上的点p(x,y)，映射回原始图像中的点记为q(x',y')，则有关系：$$x' =\begin{cases} x * scale & alignCorners=true \\ MAX(0,{(x+0.5)*scale-0.5}) & alignCorners=false \end{cases}$$

    • 记：

      $$x_{0} =int(x'),x_{1} =int(x')+1, lambda_{0} = x_{1}-x', lambda_{1} = 1-lambda_{0}$$

    • 则有以下公式：

      $${V(p_{x})} = {V(p_{x0})} * {lambda_{0}} * {lambdb_{0}}+ {V(p_{x1})} * {lambda_{1}} * {lambdb_{0}}$$

    • 假设：正向插值的输出图像out $(x)$受原图像input $(x_i)$影响，则有:

      $$gradInput(x_i) += gradOut(x) * lambd(x_i)$$

函数原型

每个算子分为，必须先调用“aclnnUpsampleLinear1dBackwardGetWorkspaceSize”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“aclnnUpsampleLinear1dBackward”接口执行计算。

aclnnUpsampleLinear1dGetWorkspaceSize

• 参数说明：

  [object Object]

  • [object Object]Atlas 训练系列产品[object Object]：

    入参[object Object]和出参[object Object]的数据类型仅支持FLOAT32、FLOAT16。

  • [object Object]Atlas A2 训练系列产品/Atlas A2 推理系列产品[object Object]、[object Object]Atlas A3 训练系列产品/Atlas A3 推理系列产品[object Object]：

    入参[object Object]：当gradOut的shape与inputSize的shape不相同时，数据类型仅支持FLOAT32、FLOAT16。

• 返回值：

  aclnnStatus：返回状态码，具体参见。

  第一段接口完成入参校验，出现以下场景时报错：

  [object Object]

aclnnUpsampleLinear1dBackward

• 参数说明：

  [object Object]

• 返回值：

  aclnnStatus：返回状态码，具体参见。

约束说明

• 参数[object Object]、[object Object]的shape约束：
  • 每个维度的取值小于等于2^20。
  • 参数[object Object]的N轴和C轴与[object Object]保持一致。
  • 内存占用需小于60G。内存占用的计算公式如下：$$(gradOut\_L + out\_L + out\_L) * N * C * sizeof(dtype) < 60 * 1024 * 1024 * 1024$$ 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 < 2^31
• 入参[object Object]和出参[object Object]的数据格式不为NCL或ND时，输入其他数据格式默认按照NCL处理。
• [object Object]Atlas A2 训练系列产品/Atlas A2 推理系列产品[object Object]、[object Object]Atlas A3 训练系列产品/Atlas A3 推理系列产品[object Object]：输入数据缩放场景放大倍数必须小于等于500，即：$outputSize[0]/(输出shape的长度L)<=500$。
• 参数outputSize与参数scales，在使用时二选一，即：
  • 当alignCorners为True：
    • outputSize等于1，scales的值为0。
    • 其他情况下使用入参inputSize和outputSize的参数值，且：$scales=(inputSize\_L-1)/(outputSize-1)$。
  • 当alignCorners为False：
    • 当入参scales的值小于等于0时，使用入参outputSize的参数值，即：$scales=(inputSize\_L / outputSize)$。
    • 当入参scales的值大于0时，当$outputSize=[floor(inputSize\_L * scales)]$不成立时，使用入参outputSize的参数值；否则使用入参scales的值。
• 确定性计算：
  • aclnnUpsampleLinear1dBackward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。