CANN ops-cv 图像算子 aclnnResize 接口详解两段式调用流程、参数约束与源码实现【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本文是 CANN ops-cv 开源算子库中image/resize_bilinear_v2模块aclnnResize接口的完整技术指南。该接口根据scales倍数调整输入张量 H/W 维度的大小是图像预处理流水线中常用的缩放算子。读完本文你将掌握aclnnResizeGetWorkspaceSize与aclnnResize两段式接口的完整调用范式、每个参数的取值范围与校验规则、错误码含义以及接口在底层如何分平台派发到 L0 算子执行的实现原理。功能与计算公式aclnnResize的接口功能为根据scales调整输入张量的大小本质上是按倍数对张量的高H和宽W两个维度进行缩放可指定nearest最近邻或bilinear双线性两种插值模式。其输出维度计算公式为$$ out_dimension floor(self_dimension \times scales) $$其中self_dimension为输入selfshape 的 H 轴和 W 轴的值out_dimension为输出outshape 的 H 轴和 W 轴的值scales为输入self调整的倍数。从接口签名看aclnnResize只接收scales而不接收目标尺寸目标 shape 由公式推导并在out张量中显式给出接口内部会校验两者的一致性详见下文参数校验。该接口实际复用了ResizeBilinearV2算子的双线性插值能力同时通过mode参数兼容了最近邻插值底层派发到ResizeNearestNeighborV2算子本身的插值公式可参考 image/resize_bilinear_v2/README.md。产品支持情况产品是否支持Ascend 950PR / Ascend 950DT支持Atlas A3 训练系列产品 / Atlas A3 推理系列产品支持Atlas A2 训练系列产品 / Atlas A2 推理系列产品支持Atlas 200I/500 A2 推理产品不支持Atlas 推理系列产品支持Atlas 训练系列产品支持需要注意不同产品线上self、out的数据类型与数据格式支持存在差异。对于Atlas 推理系列产品、Atlas 训练系列产品、Atlas A2 系列、Atlas A3 系列参数self、out的数据类型不支持 BFLOAT16参数self、out的数据格式不支持 NHWC即仅支持 NCHW。而从源码看新架构RegBase 架构及 DAV_2201、DAV_1001、DAV_2002 等会走扩展路径支持 NCHW/NHWC 两种格式并支持 BF16这一平台差异会在下文源码实现解析中进一步说明。两段式接口与调用流程每个算子分为两段式接口详细约定参见 两段式接口说明必须先调用aclnnResizeGetWorkspaceSize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aclnnResize接口执行计算。函数原型第一段接口负责参数校验、构图并计算 workspace 大小aclnnStatus aclnnResizeGetWorkspaceSize( const aclTensor* self, const aclFloatArray* scales, const char* mode, aclTensor* out, uint64_t* workspaceSize, aclOpExecutor** executor)第二段接口负责在指定 Stream 上执行计算aclnnStatus aclnnResize( void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)标准调用步骤初始化 ACL 环境aclInit、aclrtSetDevice、aclrtCreateStream构造输入self、scales与输出out张量调用aclnnResizeGetWorkspaceSize获取workspaceSize与executor若workspaceSize 0调用aclrtMalloc在 Device 侧申请 workspace 内存调用aclnnResize执行计算调用aclrtSynchronizeStream同步等待任务完成将结果从 Device 拷贝回 Host并依次释放 tensor、workspace、Stream 等资源。参数说明aclnnResizeGetWorkspaceSize 参数参数名输入/输出描述使用说明数据类型数据格式维度(shape)非连续TensorselfaclTensor*输入输入的张量对应公式中的self不支持空 TensorFLOAT16、FLOAT32、BFLOAT16NCHW、NHWC4√scalesaclFloatArray*输入指定 self 张量调整的倍数对应公式中的scales长度和 self 维度相同当前仅支持调整 self 的 H 与 W 维scales 其他 N 与 C 维度需保持为 1FloatArray---modechar*输入表示插值模式只支持 nearest 或 bilinear----outaclTensor*输出输出张量对应公式中的out不支持空 Tensor数据格式、数据类型与入参self保持一致shape 的 N 轴、C 轴与入参self保持一致shape 的 H 轴和 W 轴符合 out_dimension floor(self_dimension × scales)FLOAT16、FLOAT32、BFLOAT16NCHW、NHWC4√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-----要点解读scales使用aclFloatArray承载长度必须与self的维度数相同4 维其 N、C 维的值必须为 1只有 H、W 维的倍数生效。示例中scalesData {1.0, 1.0, 2.0, 2.0}表示保持 batch 和 channel 不变将 H、W 各放大 2 倍mode仅支持nearest或bilinear两个字符串值self、out均支持非连续 Tensor接口内部会自动做Contiguous处理见下文源码解析在部分产品上self、out不支持 BFLOAT16 与 NHWC见产品支持情况。aclnnResize 参数参数名输入/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 aclnnResizeGetWorkspaceSize 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返回值与错误码两段接口均返回aclnnStatus状态码具体定义参见 aclnn 返回码说明。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 self、scales、mode、out 中有空指针ACLNN_ERR_PARAM_INVALID161002mode 不在支持列表之内ACLNN_ERR_PARAM_INVALID161002数据类型不在支持的范围之内ACLNN_ERR_PARAM_INVALID161002out 与 self 的数据格式或者数据类型不一致ACLNN_ERR_PARAM_INVALID161002shape 不满足要求① self 和 out 的 shape 必须为 4 维② self 和 out 的 N 维和 C 维必须相同③ out 在 H 维的 size 必须等于 self 的 H 维 size 乘以 scales 对应 H 维的值④ out 在 W 维的 size 必须等于 self 的 W 维 size 乘以 scales 对应 W 维的值约束说明确定性计算aclnnResize默认为确定性实现即相同输入在多次运行中结果可复现。源码级实现解析接口的底层实现位于 image/resize_bilinear_v2/op_api/aclnn_resize.cpp其核心逻辑可以概括为参数校验 → 构图 → 计算 workspace三个阶段与两段式接口的设计一一对应。参数校验顺序CheckParams按以下顺序完成校验与文档错误码章节一一对应CheckNotNull检查self、scales、out、mode是否存在空指针失败返回ACLNN_ERR_PARAM_NULLPTR161001CheckModeStr校验mode是否为nearest或bilinear前缀CheckDtypeValid校验数据类型是否在支持列表内并要求out与self类型一致CheckFormat校验self与out格式一致且为 NCHW 或 NHWCCheckInputElement校验 N/C 维一致并校验 H/W 维与out_dimension floor(self_dimension × scales)匹配实现中加入了EPSILON 1e-5的容差且该参数主要保留用于接口一致性从注释看currently not used in computationsCheckShape校验self、out均为 4 维且scales长度必须为 4。平台分支与构图GetExtendPathFlag()根据当前 NPU 架构决定走哪条构图路径扩展路径RegBase 架构及 DAV_2201、DAV_1001、DAV_2002支持 NCHW/NHWC 两种格式。若为 RegBase直接按scales计算sizes并调用l0op::ResizeBilinearV2With4d带 scales 参数无需转 5HDnearest模式则派发到l0op::ResizeNearestNeighborV2V35 路径其余架构从out的 shape 构造sizes将self、out通过TransDataSpecial转到 NC1HWC0 后nearest派发l0op::ResizeNearestNeighborV2bilinear派发l0op::ResizeBilinearV2最后TransData转回原格式。两条路径最终都通过l0op::ViewCopy将计算结果拷回输出张量executor-GetWorkspaceSize()汇总整条链路上所需的 Device 内存大小随executor一起返回给调用方。第二段接口aclnnResize的实现则非常简洁直接调用CommonOpExecutorRun在指定 Stream 上运行执行器。接口声明可参考 image/resize_bilinear_v2/op_api/aclnn_resize.h 与 image/resize_bilinear_v2/op_api/resize_bilinear_v2.h。算子定义与 shape 推导在算子定义侧image/resize_bilinear_v2/op_host/resize_bilinear_v2_def.cpp 声明了输入x、size与输出y的支持组合NCHW/NHWC 两种格式 × FLOAT16/FLOAT32/BF16 等类型并定义了align_corners、half_pixel_centers、dtype、scales等可选属性image/resize_bilinear_v2/op_host/resize_bilinear_v2_infershape.cpp 则根据常量size张量推导输出 shape——当size非常量张量时输出维度推导为 UNKNOWN_DIM这也解释了为什么aclnnResize要求调用方显式构造out张量。调用示例完整可编译示例见 image/resize_bilinear_v2/examples/test_aclnn_resize.cpp具体编译与执行过程请参考 编译与运行样例。示例将 shape 为{1, 1, 2, 2}的输入放大为{1, 1, 4, 4}scales为{1.0, 1.0, 2.0, 2.0}插值模式为nearest#include unistd.h #include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_resize.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 CreateAclTensor(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 0, 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 selfShape {1, 1, 2, 2}; std::vectorint64_t outShape {1, 1, 4, 4}; void* selfDeviceAddr nullptr; void* outDeviceAddr nullptr; aclTensor* self nullptr; aclTensor* out nullptr; std::vectorfloat selfHostData {1.0, 2.0, 3.0, 4.0}; std::vectorfloat scalesData {1.0, 1.0, 2.0, 2.0}; std::vectorfloat outHostData(16); // 创建self aclTensor ret CreateAclTensor(selfHostData, selfShape, selfDeviceAddr, aclDataType::ACL_FLOAT, self); CHECK_RET(ret ACL_SUCCESS, return ret); // 创建out aclTensor ret CreateAclTensor(outHostData, outShape, outDeviceAddr, aclDataType::ACL_FLOAT, out); CHECK_RET(ret ACL_SUCCESS, return ret); aclFloatArray* scales nullptr; scales aclCreateFloatArray(scalesData.data(), scalesData.size()); CHECK_RET(scales ! nullptr, return ACL_ERROR_INTERNAL_ERROR); // 3. 调用CANN算子库API需要修改为具体的API uint64_t workspaceSize 0; aclOpExecutor* executor; const char* mode nearest; // 调用aclnnResize第一段接口 ret aclnnResizeGetWorkspaceSize(self, scales, mode, out, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnResizeGetWorkspaceSize 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); printf(workspaceSize: %ld\n, workspaceSize); } // 调用aclnnResize第二段接口 ret aclnnResize(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnResize 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侧需要根据具体API的接口定义修改 auto size GetShapeSize(outShape); std::vectorfloat resultData(size, 0); ret aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), outDeviceAddr, size * sizeof(float), 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和aclScalar需要根据具体API的接口定义修改 aclDestroyTensor(self); aclDestroyTensor(out); aclDestroyFloatArray(scales); // 7. 释放device资源需要根据具体API的接口定义修改 aclrtFree(selfDeviceAddr); aclrtFree(outDeviceAddr); if (workspaceSize 0) { aclrtFree(workspaceAddr); } aclrtDestroyStream(stream); aclrtResetDevice(deviceId); aclFinalize(); sleep(10); return 0; }示例代码的编写要点scales通过aclCreateFloatArray创建、mode为普通字符串常量、self与out用aclCreateTensor创建strides 按连续内存计算两段接口之间的workspaceSize与executor需要跨接口传递这是 aclnn 两段式 API 的标准用法。UT 层还有对应的单测如 image/resize_bilinear_v2/tests/ut/op_host/op_api/test_aclnn_resize.cpp 所在目录与 ST 用例image/resize_bilinear_v2/tests/st/aclnnResize/可对照验证。相关资源与延伸阅读image/resize_bilinear_v2/README.md算子功能、双线性插值公式、图模式算子 IR见 image/resize_bilinear_v2/op_graph/resize_bilinear_v2_proto.h等补充说明docs/zh/context/two_phase_api.mdaclnn 两段式接口通用约定docs/zh/context/aclnn_return_code.mdaclnnStatus 返回码全量说明docs/zh/context/compile_and_run_sample.md样例编译与运行指引image/resize_bilinear_v2/op_api/aclnn_resize.cpp接口核心实现校验、构图、workspace 计算。【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