aclnnUpsampleTrilinear3d

产品支持情况

[object Object]undefined

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三线性插值算法进行上采样。
• 计算公式：
  • 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：$$scale\_d =\begin{cases} (self.dim[2]-1) / (outputSize[0]-1) & alignCorners=true \\ 1 / scales\_d & alignCorners=false\&scales\_d>0\\ self.dim[2] / outputSize[0] & alignCorners=false \end{cases}$$ $$scale\_h =\begin{cases} (self.dim[3]-1) / (outputSize[1]-1) & alignCorners=true \\ 1 / scales\_h & alignCorners=false\&scales\_h>0\\ self.dim[3] / outputSize[1] & alignCorners=false \end{cases}$$ $$scale\_w =\begin{cases} (self.dim[4]-1) / (outputSize[2]-1) & alignCorners=true \\ 1 / scales\_w & alignCorners=false\&scales\_w>0\\ self.dim[4] / outputSize[2] & alignCorners=false \end{cases}$$ 因此，对于output的某个方向上的点p(x,y,z)，映射回原始图像中的点记为q(x',y',z')，则有关系：$$x' =\begin{cases} x * scale\_d & alignCorners=true \\ MAX(0,{(x+0.5)*scale\_d-0.5}) & alignCorners=false \end{cases}$$ $$y' =\begin{cases} y * scale\_h & alignCorners=true \\ MAX(0,{(y+0.5)*scale\_h-0.5}) & alignCorners=false \end{cases}$$ $$z' =\begin{cases} z * scale\_w & alignCorners=true \\ MAX(0,{(z+0.5)*scale\_w-0.5}) & alignCorners=false \end{cases}$$

    • 记：

      $$x_{0} =int(x'),x_{1} =int(x')+1, lambda_{0} = x_{1}-x', lambda_{1} = 1-lambda_{0}$$ $$y_{0} =int(y'),y_{1} =int(y')+1, lambdb_{0} = y_{1}-y', lambdb_{1} = 1-lambdb_{0}$$ $$z_{0} =int(z'),z_{1} =int(z')+1, lambdc_{0} = z_{1}-z', lambdc_{1} = 1-lambdc_{0}$$

    • 则有以下公式：

      $${V(p_{x, y, z})} = {V(p_{x0, y0, z0})} * {lambda_{0}} * {lambdb_{0}} * {lambdc_{0}} + {V(p_{x0, y0, z1})} * {lambda_{0}} * {lambdb_{0}} * {lambdc_{1}} + {V(p_{x0, y1, z0})} * {lambda_{0}} * {lambdb_{1}} * {lambdc_{0}} + {V(p_{x0, y1, z1})} * {lambda_{0}} * {lambdb_{1}} * {lambdc_{1}} + {V(p_{x1, y0, z0})} * {lambda_{1}} * {lambdb_{0}} * {lambdc_{0}} + {V(p_{x1, y0, z1})} * {lambda_{1}} * {lambdb_{0}} * {lambdc_{1}} + {V(p_{x1, y1, z0})} * {lambda_{1}} * {lambdb_{1}} * {lambdc_{0}} + {V(p_{x1, y1, z1})} * {lambda_{1}} * {lambdb_{1}} * {lambdc_{1}}$$

函数原型

每个算子分为，必须先调用“aclnnUpsampleTrilinear3dGetWorkspaceSize”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“aclnnUpsampleTrilinear3d”接口执行计算。

aclnnUpsampleTrilinear3dGetWorkspaceSize

• 参数说明：

  [object Object]

  • [object Object]Atlas 推理系列产品[object Object]：

    • 入参[object Object]的数据类型仅支持FLOAT32、FLOAT16，不支持inf、-inf输入。
    • 出参[object Object]的数据类型仅支持FLOAT32、FLOAT16。

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

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

• 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]

aclnnUpsampleTrilinear3d

• 参数说明：

  [object Object]

• 返回值：

  aclnnStatus：返回状态码，具体参见。

约束说明

• 输入数据缩放场景缩小倍数必须小于等于50，即$输出shape的高度D/outputSize[0]$、$输出shape的宽度H/outputSize[1]$、$输出shape的宽度W/outputSize[2]$必须小于等于50。
• 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：$$N * C * (self\_D * self\_H * self\_W + out\_D * out\_H * out\_W + self\_D * self\_H * out\_W + self\_D * out\_H * out\_W) * sizeof(float) < 60 * 1024 * 1024 * 1024$$ 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_D * self_H < 2^31
  • out_W * out_H < 2^31
• 确定性计算：
  • aclnnUpsampleTrilinear3d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。