aclnnUpsampleTrilinear3dBackward

产品支持情况

[object Object]undefined

功能说明

• 接口功能：的反向计算。

• 计算公式：

  • 正向核心算法逻辑：

    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：

    $$scale\_d =\begin{cases} (inputSize[2]-1) / (outputSize[0]-1) & alignCorners=true \\ 1 / scales\_d & alignCorners=false\&scales\_d>0\\ inputSize[2] / outputSize[0] & alignCorners=false \end{cases}$$ $$scale\_h =\begin{cases} (inputSize[3]-1) / (outputSize[1]-1) & alignCorners=true \\ 1 / scales\_h & alignCorners=false\&scales\_h>0\\ inputSize[3] / outputSize[1] & alignCorners=false \end{cases}$$ $$scale\_w =\begin{cases} (inputSize[4]-1) / (outputSize[2]-1) & alignCorners=true \\ 1 / scales\_w & alignCorners=false\&scales\_w>0\\ inputSize[4] / outputSize[2] & alignCorners=false \end{cases}$$

    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：

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

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

      $$gradInput(x_i,y_j,z_k) += gradOut(x,y,z) * lambd(x_i,y_j,z_k)$$

函数原型

每个算子分为，必须先调用“aclnnUpsampleTrilinear3dBackwardGetWorkspaceSize”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“aclnnUpsampleTrilinear3dBackward”接口执行计算。

aclnnUpsampleTrilinear3dBackwardGetWorkspaceSize

• 参数说明：

  [object Object]

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

    参数[object Object]和[object Object]的数据类型不支持BFLOAT16。

• 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]

aclnnUpsampleTrilinear3dBackward

• 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：$$N * C * (gradOut\_D * gradOut\_H * gradOut\_W + gradInput\_D * gradInput\_H * gradInput\_W + gradOut\_D * gradOut\_H * gradInput\_W + gradOut\_D * gradInput\_H * gradInput\_W) * sizeof(float) < 60 * 1024 * 1024 * 1024$$ 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 * gradOut_D * gradOut_H < 2^31
  • gradInput_W * gradInput_H < 2^31
• 参数outputSize的D轴、H轴、W轴与参数scalesD、scalesH、scalesW，在使用时二选一，即：
  • 当alignCorners为True时：
    • outputSize对应轴的值等于1，scales对应轴的值为0。
    • 其他情况下使用入参inputSize和入参outputSize中对应轴的参数值，且：$scales=(inputSize-1)/(outputSize-1)$。
  • 当alignCorners为False时：
    • 当入参scalesD或入参scalesH或入参scalesW的值小于等于0时，使用入参outputSize中对应轴的参数值，即：$scales=(inputSize/outputSize)$。
    • 当入参scalesD或入参scalesH或入参scalesW的值大于0时，使用入参scalesD、入参scalesH、入参scalesW的参数值，即outputSize对应轴的值为$floor(inputSize\_D * scalesD)$，或者$floor(inputSize\_H * scalesH)$，或者$floor(inputSize\_W * scalesW)$。
• 确定性计算：
  • aclnnUpsampleTrilinear3dBackward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。