CANN ops-cv 中 aclnnUpsampleLinear1dBackward 反向算子接口解析参数、约束与 NPU 梯度回传实战【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本文以 ops-cv 仓库中 aclnnUpsampleLinear1dBackward 接口文档 为主体完整讲解这一维NCL 布局线性上采样反向传播算子的数学原理、两段式接口签名、参数与约束规则并结合 aclnn_upsample_linear_1d_backward.cpp 的 host 侧实现与单元测试说明参数校验链路和不同 NPU 架构下的执行图构建方式。读完本文你将掌握如何在 CANN ACLNN 接口下正确调用该反向算子计算 1D 特征序列、语音、点云坐标等插值的梯度以及如何依据返回码快速定位参数配置问题。1. 功能定位aclnnUpsampleLinear1d 的反向传播aclnnUpsampleLinear1dBackward是 aclnnUpsampleLinear1d 正向接口 的反向传播接口属于UpsampleBilinear2dGrad算子模块对外暴露的第二个 aclnn 入口另一个是 aclnnUpsampleBilinear2dBackwardV2。它把正向插值输出上的梯度gradOut按插值权重回传、累加到输入侧得到输入梯度out即公式中的gradInput。典型应用是在 1D 信号上做了upsample_linear1d前向缩放例如时间序列重采样、点云坐标插值后训练阶段需要把输出端损失梯度传回输入端。接口对输入的张量维度要求为 3 维NCL当数据格式为 ND 时默认按 NCL 处理。1.1 产品支持情况文档给出的支持矩阵如下产品是否支持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 推理系列产品不支持Atlas 训练系列产品支持各平台的数据类型限制详见 参数说明 一节Atlas 训练系列产品入参gradOut和出参out的数据类型仅支持 FLOAT32、FLOAT16。Atlas A2 训练/推理系列、Atlas A3 训练/推理系列当gradOut的 shape 对应轴的值与inputSize对应轴的值不相同时数据类型仅支持 FLOAT32、FLOAT16。1.2 确定性计算Atlas A3 训练/推理系列、Atlas A2 训练/推理系列、Atlas 训练系列产品aclnnUpsampleLinear1dBackward默认确定性实现。Ascend 950PR/Ascend 950DT默认非确定性实现支持通过aclrtCtxSetSysParamOpt开启确定性。2. 计算公式从正向映射到梯度回传文档给出的正向核心算法逻辑分三步将目标图像的每一个点映射回原图得到一个带小数点的坐标根据这个浮点数坐标计算前后相邻的原始图像的点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。缩放方式分为角对齐和边对齐角对齐alignCorners为 true表示按照原始图片左上角像素中心点对齐边对齐alignCorners为 false表示按照原始图片左上角顶点及两条边对齐二者在计算缩放系数和坐标位置时存在差异。具体公式如下。缩放系数$$ scale \begin{cases} (inputSize[2]-1) / (outputSize[0]-1) alignCornerstrue \ 1 / scales alignCornersfalse,\ scales0 \ inputSize[2] / outputSize[0] alignCornersfalse \end{cases} $$因此对于 output 某个方向上的点 p(x)映射回原始图像中的点记为 q(x)有$$ x \begin{cases} x \cdot scale alignCornerstrue \ MAX(0,(x0.5)\cdot scale-0.5) alignCornersfalse \end{cases} $$记$$ x_{0}int(x),\quad x_{1}int(x)1,\quad lambda_{0}x_{1}-x,\quad lambda_{1}1-lambda_{0} $$则正向插值$$ V(p_{x}) V(p_{x0}) \cdot lambda_{0} V(p_{x1}) \cdot lambda_{1} $$假设正向插值的输出图像 out(x) 受原图像 input(x_i) 影响则反向梯度回传为$$ gradInput(x_i) gradOut(x) \cdot lambda(x_i) $$需要注意的一个易错点scales参数的语义是正向缩放的乘数即 output 侧 L 是 input 侧 L 的scales倍因此在反向接口里它表现为缩小倍数。以 调用示例 为例gradOut的 L3、out的 L6、传入scales0.5——正向是 6→3 的 0.5 倍缩放反向则把 3 个输出梯度点按 2 倍插值回传到 6 个输入梯度点。这与源码中ComputeLinear1dBackwardScales的取值方式一致scales 0时直接采用scales否则回退为outputSize / inputSize见 aclnn_upsample_linear_1d_backward.cpp#L272-L279。3. 两段式接口函数原型每个算子分为 两段式接口必须先调用aclnnUpsampleLinear1dBackwardGetWorkspaceSize获取计算所需 workspace 大小以及包含算子计算流程的执行器executor再调用aclnnUpsampleLinear1dBackward执行计算。接口声明见 aclnn_upsample_linear_1d_backward.h。3.1 第一段接口aclnnStatus aclnnUpsampleLinear1dBackwardGetWorkspaceSize( const aclTensor * gradOut, const aclIntArray * outputSize, const aclIntArray * inputSize, bool alignCorners, double scales, aclTensor * out, uint64_t * workspaceSize, aclOpExecutor ** executor)3.2 第二段接口aclnnStatus aclnnUpsampleLinear1dBackward( void * workspace, uint64_t workspaceSize, aclOpExecutor * executor, aclrtStream stream)4. 参数详解4.1 aclnnUpsampleLinear1dBackwardGetWorkspaceSize 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TensorgradOutaclTensor*输入表示反向计算的梯度 Tensor对应公式中的gradOut。不支持空 Tensor当数据格式为 ND 时默认按照 NCL 格式处理。FLOAT32、FLOAT16、BFLOAT16ND、NCL3√outputSizeaclIntArray*输入表示输入gradOut在 L 维度上的空间大小对应公式中的outputSize。size 为 1且取值大于 0。INT64---inputSizeaclIntArray*输入表示输出 out 分别在 N、C、L 维度上的空间大小对应公式中的inputSize。size 为 3且各元素均大于零。INT64---alignCornersbool输入BOOL 类型参数对应公式中的alignCorners。True输入和输出张量按其角像素的中心点对齐保留角像素处的值False输入和输出张量通过其角像素的角点对齐并且插值使用边缘值对边界外的值进行填充。----scalesdouble输入表示输出 out 的 L 维度乘数对应公式中的scales。取值不大于 500。----outaclTensor*输出表示反向计算的输出 Tensor对应公式中的gradInput。不支持空 Tensor输出维度必须是 3 维数据类型、数据格式与入参gradOut保持一致。FLOAT32、FLOAT16、BFLOAT16NCL3√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。-----各平台对数据类型的额外限制与产品支持情况一节对应Atlas 训练系列产品入参gradOut和出参out的数据类型仅支持 FLOAT32、FLOAT16。Atlas A2 训练/推理系列、Atlas A3 训练/推理系列当gradOut的 shape 对应轴的值与inputSize对应轴的值不相同时数据类型仅支持 FLOAT32、FLOAT16。从 aclnn_upsample_linear_1d_backward.cpp#L50-L53 的源码结构看API 层的数据类型白名单DTYPE_SUPPORT_LIST正是{DT_FLOAT16, DT_FLOAT, DT_BF16}与文档一致。4.2 第一段接口返回码返回aclnnStatus状态码完整定义参见 aclnn返回码。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传入参数是必选输入、输出或必选属性且是空指针。ACLNN_ERR_PARAM_INVALID161002出现下列任一场景① gradOut 的数据类型不在支持范围之内② gradOut 和 out 的数据类型不一致③ gradOut 的维度不为 3 维④ outputSize 的 size 不等于 1⑤ outputSize 的某个元素值小于 1⑥ inputSize 的 size 不等于 3⑦ inputSize 的某个元素值小于 1⑧ gradOut 在 L 维度上的 size 与 outputSize[0] 不同⑨ gradOut 和 out 的 N/C 轴的维度大小不相等⑩ out 的 shape 在各个维度上的大小与 inputSize 里对应元素值大小不同⑪ scales 的取值不满足约束。这些校验规则在单元测试 test_aclnn_upsample_lineard_1d_backward.cpp 中逐一有对应用例例如l2_upsamplelinear1d_backward_test_003_012DOUBLE、INT8、UINT8、INT32、INT64、INT16、BOOL、COMPLEX64、COMPLEX128 等不支持的 dtype 均返回ACLNN_ERR_PARAM_INVALID_016gradOut传入 nullptr 返回ACLNN_ERR_PARAM_NULLPTR_017输入 FLOAT、输出 FLOAT16dtype 不一致返回 INVALID_018/_020outputSize元素个数为 2、inputSize元素个数为 5均返回 INVALID_019/_021outputSize元素为 0、inputSize的 N 为 0返回 INVALID_023/_024gradOut 与inputSize的 NC 不一致、与outputSize的 L 不一致返回 INVALIDascend910B3_scale501/ascend910B3_scale400缩放倍数 550 返回 INVALID400 返回 SUCCESS验证了 scales ≤ 500 的上限源码常量MAX_SUPPORT_SCALE 500.0见 aclnn_upsample_linear_1d_backward.cpp#L47。一个值得注意的实现细节单元测试l2_upsamplelinear1d_backward_test_013使用inputSize{0,1,6}N 轴为 0的空 tensor 场景调用第一段接口并期望返回ACLNN_SUCCESS而 aclnn_upsample_linear_1d_backward.cpp#L348-L353 中gradOut-IsEmpty()时直接置workspaceSize 0并成功返回。从源码结构看host 侧第一段接口对含 0 维的空张量会走直通返回路径与参数表中不支持空 Tensor的表述存在细微差异实际以目标硬件上运行时的返回码为准。4.3 aclnnUpsampleLinear1dBackward 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aclnnUpsampleLinear1dBackwardGetWorkspaceSize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。返回值为aclnnStatus状态码同样参见 aclnn返回码。第二段接口的实现只有一行核心逻辑aclnn_upsample_linear_1d_backward.cpp#L462-L468aclnnStatus aclnnUpsampleLinear1dBackward(void* workspace, uint64_t workspaceSize, aclOpExecutor* executor, aclrtStream stream) { L2_DFX_PHASE_2(aclnnUpsampleLinear1dBackward); // 固定写法调用框架能力完成计算 return CommonOpExecutorRun(workspace, workspaceSize, executor, stream); }即真正的算子调度由框架的CommonOpExecutorRun统一完成第一段接口构建好的执行器在这里被一次性执行。5. 约束说明参数gradOut、out的 shape 约束每个维度的取值小于等于 2^20参数out的 N 轴和 C 轴与gradOut保持一致内存占用需小于 60GB计算公式为$$ (gradOut_L out_L out_L) \times N \times C \times sizeof(dtype) 60 \times 1024 \times 1024 \times 1024 $$其中N 代表输入和输出的 N 轴C 代表输入和输出的 C 轴dtype 代表输入张量的数据类型。N × C 2^31。数据格式入参gradOut和出参out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。针对Atlas A2 训练/推理系列、Atlas A3 训练/推理系列反向接口的输入数据缩小倍数必须小于等于 500即$$ outputSize[0] / 输出shape的长度L \le 500 $$参数inputSize、outputSize、scales需要满足如下约束$$ outputSize floor(inputSize_L \times scales) $$源码中该约束由Check_scales实现aclnn_upsample_linear_1d_backward.cpp#L313-L330仅当|scales| 1e-9时才执行output_L floor(input_L * scales)的严格校验scales取 0表示未显式指定缩放倍数、由 inputSize/outputSize 反推时跳过该校验。6. 调用示例与完整代码以下示例代码与仓库中的 test_aclnn_upsample_linear1d_backward.cpp 一致该示例中scales0.5、alignCornerstrue对应 L 从 6 缩放回 3 的反向传播仅供参考具体编译和执行过程请参考 编译与运行样例。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_upsample_linear_1d_backward.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_ND, 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 ACL_SUCCESS, 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, 3}; std::vectorint64_t outShape {1, 1, 6}; void* selfDeviceAddr nullptr; void* outDeviceAddr nullptr; aclTensor* self nullptr; aclTensor* out nullptr; std::vectorfloat selfHostData {1, 2, 3}; std::vectorfloat outHostData {0, 0, 0, 0, 0, 0}; // 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); std::vectorint64_t outArraySize {3}; const aclIntArray* outputSize aclCreateIntArray(outArraySize.data(), outArraySize.size()); CHECK_RET(outputSize ! nullptr, return ACL_ERROR_INTERNAL_ERROR); std::vectorint64_t inputArraySize {1, 1, 6}; const aclIntArray* inputSize aclCreateIntArray(inputArraySize.data(), inputArraySize.size()); CHECK_RET(inputSize ! nullptr, return ACL_ERROR_INTERNAL_ERROR); // 3. 调用CANN算子库API需要修改为具体的API名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 调用aclnnUpsampleLinear1dBackward第一段接口 ret aclnnUpsampleLinear1dBackwardGetWorkspaceSize(self, outputSize, inputSize, true, 0.5, out, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleLinear1dBackwardGetWorkspaceSize 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); } // 调用aclnnUpsampleLinear1dBackward第二段接口 ret aclnnUpsampleLinear1dBackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleLinear1dBackward 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(resultData[0]), 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); aclDestroyIntArray(outputSize); aclDestroyIntArray(inputSize); // 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(); return 0; }参数对应关系小结selfShape{1,1,3}对应gradOutN1、C1、L3outShape{1,1,6}对应out即inputSize{1,1,6}中 N、C、L 三轴outputSize{3}与gradOut的 L 维一致。这组 shape 同时满足 4.1 节参数表和第 5 节的全部约束。7. 源码实现剖析校验链路与架构分支7.1 参数校验链路CheckParams第一段接口的入口 aclnnUpsampleLinear1dBackwardGetWorkspaceSize 在构建执行器之后、生成算子图之前会依次执行CheckParams中的六步校验aclnn_upsample_linear_1d_backward.cpp#L228-L255步骤函数校验内容与文档的对应关系1CheckNotNullgradOut、outputSize、inputSize、out非空对应ACLNN_ERR_PARAM_NULLPTR2CheckShapeValidRegBase 架构/CheckShape其他架构gradOut/out为 3 维outputSizesize 为 1、inputSizesize 为 3gradOut的 L 维等于outputSize[0]out的各维等于inputSize对应元素对应 INVALID 表中 ③④⑤⑥⑦⑧⑩3CheckDtypeValidNPU 架构必须在支持列表内DAV_2201/DAV_1001/RegBase 系列gradOutdtype 属于 FP16/FP32/BF16 白名单out与gradOutdtype 一致对应 INVALID 表中 ①②4CheckInputElementinputSize/outputSize元素均大于 0gradOut的完整 shapeN、C、L与{batch, channels, outputL}逐维一致对应 INVALID 表中 ⑤⑦⑧5CheckNCValidgradOut与out的 N、C 轴相等对应 INVALID 表中 ⑨6CheckUplimit非 RegBase 架构下各维不超过 INT32_MAXRegBase 架构跳过该检查对应每维取值小于等于 2^20 级别的量级约束7.2 执行图构建两条架构分支通过校验后实现按 NPU 架构走两条不同的执行图构建路径aclnn_upsample_linear_1d_backward.cpp#L354-L454分支一RegBase 架构含 Atlas A3/A2 系列。由于该分支的底层 kernel 直接操作 3 维 NCL 张量处理最简单先对gradOut做l0op::Contiguous得到连续 tensor若gradOut的 shape 与inputSize各轴相同CheckIOSizesIsSame为真说明不需要插值回传直接l0op::ViewCopy(gradOutContiguous, out)写回否则分配中间 tensororiginalImage调用l0op::ResizeLinearGrad(gradOutContiguous, originalImage, alignCorners, scales, out, executor)完成 1D 线性插值反向最后ViewCopy回out。分支二其他架构典型为 Ascend 910B 等 DAV_2201。底层UpsampleBilinear2dGradkernel 只处理 4 维 NCHW因此代码先做升维View3dAs4d通过Contiguous → Unsqueeze(2) → ReFormat(NCHW)把 3 维 NCL 张量变成 4 维 NCHWL 维扩展为 HL、W1inputSize也补维为{N, C, 1, L}。随后按三种情况分派大尺寸或尺寸/缩放约束不满足outputSize[0] 1000000或gradOut与inputSize的 shape 不一致且不是 DAV_2201 scale 一致的场景走ResizeBilinearV2Grad5Hd路径——gradOut先Cast为 FLOAT32 再TransDataSpecial到 NC1HWC0经halfPixelCenters !alignCorners的双线性反向 kernel 计算最后TransData回 NCHW 并Cast回目标 dtypeDAV_2201 且CheckScales通过即scales ≤ 500调用l0op::UpsampleBilinear2dGrad(gradOutCast, outputSizeArray, originSizeArray, outContiguous, alignCorners, realScales_h, realScales_w, executor)其中宽度方向缩放取1.0 / scalesscales ≤ 0 时取 0由底层反推高度方向固定 1.0因为补维后 H 恒为 1最后统一View4dAs3dsqueeze 第 2 维并 reformat降回 3 维ViewCopy写回out。构建完成后*workspaceSize uniqueExecutor-GetWorkspaceSize()汇总整张执行图的 workspace并把 executor 释放给调用方。从源码结构看这种3 维 API 4 维 kernel 复用的设计正是aclnnUpsampleLinear1dBackward与aclnnUpsampleBilinear2dBackwardV2共用UpsampleBilinear2dGrad算子模块的原因1D 场景等价于 W1 的 2D 双线性插值。7.3 测试体系除 4.2 节列出的 host 侧 UT 外仓库还提供端到端样例examples/test_aclnn_upsample_linear1d_backward.cpp即第 6 节代码ST系统测试配置与执行器atk_aclnnUpsampleLinear1dBackward.json、executor_aclnnUpsampleLinear1dBackward.py。从执行器脚本结构看ST 流程会先用 PyTorchtorch_npu在标杆侧做正向upsample_linear1d计算再以全 1 梯度执行output.backward(gradoutput)取得输入梯度作为参考值与 NPU 上 aclnn 接口的输出做精度比对脚本还负责把 PyTorch 侧的scale_factor/size参数换算成 aclnn 接口所需的scalesH_double与outputSize_int其中只指定 size 不指定 scale时scales取 0与源码中由 outputSize/inputSize 反推 scales的分支相呼应。8. 常见报错与排查要点结合文档返回码表与源码校验链路实际调用时的排查路径如下现象可能原因定位建议ACLNN_ERR_PARAM_NULLPTR161001gradOut/outputSize/inputSize/out任一为 nullptr检查指针初始化aclCreateIntArray的返回也要判空见示例代码第 104/108 行写法。ACLNN_ERR_PARAM_INVALID161002dtype 类dtype 不在 FP16/FP32/BF16 内或gradOut与outdtype 不一致Atlas 训练系列传入了 BF16对照 4.1 节数据类型列与各平台限制。ACLNN_ERR_PARAM_INVALIDshape 类gradOut/out不是 3 维outputSizesize≠1inputSizesize≠3L 维与outputSize[0]不匹配N/C 不一致逐维核对gradOut.shape {N, C, outputSize[0]}out.shape inputSize。ACLNN_ERR_PARAM_INVALIDscales 类scales 500或outputSize[0] ! floor(inputSize[2] * scales)反向接口中scales是正向缩放乘数例如正向 6→3 的 0.5 倍缩放反向应传 0.5而不是 2。运行期精度异常非确定性实现平台未开启确定性workspace 复用错误950 平台可通过aclrtCtxSetSysParamOpt开启确定性确认第二段接口使用第一段返回的同一 executor 与 workspace。9. 小结aclnnUpsampleLinear1dBackward在 ops-cv 中以两段式 aclnn 接口 架构分派的执行图方式把 1D 线性插值的梯度回传统一到UpsampleBilinear2dGrad算子模块下RegBase 架构直接调用 3 维的ResizeLinearGrad路径910B 等架构则通过 NCL→NCHW 升维复用UpsampleBilinear2dGrad/ResizeBilinearV2Grad5Hdkernel。对使用者而言只要记住三件事——gradOut为 3 维 NCL 且 L 维等于outputSize[0]、out的 shape 等于inputSizeN、C 与gradOut一致、scales是正向缩放乘数且不超过 500——再按第 6 节示例的固定流程申请 workspace、执行第二段接口并同步流即可在支持的 NPU 产品上稳定完成 1D 上采样的反向计算。更多接口级细节可继续查阅 正向接口文档、两段式接口说明 与 aclnn返回码。【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
CANN ops-cv 中 aclnnUpsampleLinear1dBackward 反向算子接口解析：参数、约束与 NPU 梯度回传实战
CANN ops-cv 中 aclnnUpsampleLinear1dBackward 反向算子接口解析参数、约束与 NPU 梯度回传实战【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本文以 ops-cv 仓库中 aclnnUpsampleLinear1dBackward 接口文档 为主体完整讲解这一维NCL 布局线性上采样反向传播算子的数学原理、两段式接口签名、参数与约束规则并结合 aclnn_upsample_linear_1d_backward.cpp 的 host 侧实现与单元测试说明参数校验链路和不同 NPU 架构下的执行图构建方式。读完本文你将掌握如何在 CANN ACLNN 接口下正确调用该反向算子计算 1D 特征序列、语音、点云坐标等插值的梯度以及如何依据返回码快速定位参数配置问题。1. 功能定位aclnnUpsampleLinear1d 的反向传播aclnnUpsampleLinear1dBackward是 aclnnUpsampleLinear1d 正向接口 的反向传播接口属于UpsampleBilinear2dGrad算子模块对外暴露的第二个 aclnn 入口另一个是 aclnnUpsampleBilinear2dBackwardV2。它把正向插值输出上的梯度gradOut按插值权重回传、累加到输入侧得到输入梯度out即公式中的gradInput。典型应用是在 1D 信号上做了upsample_linear1d前向缩放例如时间序列重采样、点云坐标插值后训练阶段需要把输出端损失梯度传回输入端。接口对输入的张量维度要求为 3 维NCL当数据格式为 ND 时默认按 NCL 处理。1.1 产品支持情况文档给出的支持矩阵如下产品是否支持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 推理系列产品不支持Atlas 训练系列产品支持各平台的数据类型限制详见 参数说明 一节Atlas 训练系列产品入参gradOut和出参out的数据类型仅支持 FLOAT32、FLOAT16。Atlas A2 训练/推理系列、Atlas A3 训练/推理系列当gradOut的 shape 对应轴的值与inputSize对应轴的值不相同时数据类型仅支持 FLOAT32、FLOAT16。1.2 确定性计算Atlas A3 训练/推理系列、Atlas A2 训练/推理系列、Atlas 训练系列产品aclnnUpsampleLinear1dBackward默认确定性实现。Ascend 950PR/Ascend 950DT默认非确定性实现支持通过aclrtCtxSetSysParamOpt开启确定性。2. 计算公式从正向映射到梯度回传文档给出的正向核心算法逻辑分三步将目标图像的每一个点映射回原图得到一个带小数点的坐标根据这个浮点数坐标计算前后相邻的原始图像的点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。缩放方式分为角对齐和边对齐角对齐alignCorners为 true表示按照原始图片左上角像素中心点对齐边对齐alignCorners为 false表示按照原始图片左上角顶点及两条边对齐二者在计算缩放系数和坐标位置时存在差异。具体公式如下。缩放系数$$ scale \begin{cases} (inputSize[2]-1) / (outputSize[0]-1) alignCornerstrue \ 1 / scales alignCornersfalse,\ scales0 \ inputSize[2] / outputSize[0] alignCornersfalse \end{cases} $$因此对于 output 某个方向上的点 p(x)映射回原始图像中的点记为 q(x)有$$ x \begin{cases} x \cdot scale alignCornerstrue \ MAX(0,(x0.5)\cdot scale-0.5) alignCornersfalse \end{cases} $$记$$ x_{0}int(x),\quad x_{1}int(x)1,\quad lambda_{0}x_{1}-x,\quad lambda_{1}1-lambda_{0} $$则正向插值$$ V(p_{x}) V(p_{x0}) \cdot lambda_{0} V(p_{x1}) \cdot lambda_{1} $$假设正向插值的输出图像 out(x) 受原图像 input(x_i) 影响则反向梯度回传为$$ gradInput(x_i) gradOut(x) \cdot lambda(x_i) $$需要注意的一个易错点scales参数的语义是正向缩放的乘数即 output 侧 L 是 input 侧 L 的scales倍因此在反向接口里它表现为缩小倍数。以 调用示例 为例gradOut的 L3、out的 L6、传入scales0.5——正向是 6→3 的 0.5 倍缩放反向则把 3 个输出梯度点按 2 倍插值回传到 6 个输入梯度点。这与源码中ComputeLinear1dBackwardScales的取值方式一致scales 0时直接采用scales否则回退为outputSize / inputSize见 aclnn_upsample_linear_1d_backward.cpp#L272-L279。3. 两段式接口函数原型每个算子分为 两段式接口必须先调用aclnnUpsampleLinear1dBackwardGetWorkspaceSize获取计算所需 workspace 大小以及包含算子计算流程的执行器executor再调用aclnnUpsampleLinear1dBackward执行计算。接口声明见 aclnn_upsample_linear_1d_backward.h。3.1 第一段接口aclnnStatus aclnnUpsampleLinear1dBackwardGetWorkspaceSize( const aclTensor * gradOut, const aclIntArray * outputSize, const aclIntArray * inputSize, bool alignCorners, double scales, aclTensor * out, uint64_t * workspaceSize, aclOpExecutor ** executor)3.2 第二段接口aclnnStatus aclnnUpsampleLinear1dBackward( void * workspace, uint64_t workspaceSize, aclOpExecutor * executor, aclrtStream stream)4. 参数详解4.1 aclnnUpsampleLinear1dBackwardGetWorkspaceSize 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TensorgradOutaclTensor*输入表示反向计算的梯度 Tensor对应公式中的gradOut。不支持空 Tensor当数据格式为 ND 时默认按照 NCL 格式处理。FLOAT32、FLOAT16、BFLOAT16ND、NCL3√outputSizeaclIntArray*输入表示输入gradOut在 L 维度上的空间大小对应公式中的outputSize。size 为 1且取值大于 0。INT64---inputSizeaclIntArray*输入表示输出 out 分别在 N、C、L 维度上的空间大小对应公式中的inputSize。size 为 3且各元素均大于零。INT64---alignCornersbool输入BOOL 类型参数对应公式中的alignCorners。True输入和输出张量按其角像素的中心点对齐保留角像素处的值False输入和输出张量通过其角像素的角点对齐并且插值使用边缘值对边界外的值进行填充。----scalesdouble输入表示输出 out 的 L 维度乘数对应公式中的scales。取值不大于 500。----outaclTensor*输出表示反向计算的输出 Tensor对应公式中的gradInput。不支持空 Tensor输出维度必须是 3 维数据类型、数据格式与入参gradOut保持一致。FLOAT32、FLOAT16、BFLOAT16NCL3√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。-----各平台对数据类型的额外限制与产品支持情况一节对应Atlas 训练系列产品入参gradOut和出参out的数据类型仅支持 FLOAT32、FLOAT16。Atlas A2 训练/推理系列、Atlas A3 训练/推理系列当gradOut的 shape 对应轴的值与inputSize对应轴的值不相同时数据类型仅支持 FLOAT32、FLOAT16。从 aclnn_upsample_linear_1d_backward.cpp#L50-L53 的源码结构看API 层的数据类型白名单DTYPE_SUPPORT_LIST正是{DT_FLOAT16, DT_FLOAT, DT_BF16}与文档一致。4.2 第一段接口返回码返回aclnnStatus状态码完整定义参见 aclnn返回码。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传入参数是必选输入、输出或必选属性且是空指针。ACLNN_ERR_PARAM_INVALID161002出现下列任一场景① gradOut 的数据类型不在支持范围之内② gradOut 和 out 的数据类型不一致③ gradOut 的维度不为 3 维④ outputSize 的 size 不等于 1⑤ outputSize 的某个元素值小于 1⑥ inputSize 的 size 不等于 3⑦ inputSize 的某个元素值小于 1⑧ gradOut 在 L 维度上的 size 与 outputSize[0] 不同⑨ gradOut 和 out 的 N/C 轴的维度大小不相等⑩ out 的 shape 在各个维度上的大小与 inputSize 里对应元素值大小不同⑪ scales 的取值不满足约束。这些校验规则在单元测试 test_aclnn_upsample_lineard_1d_backward.cpp 中逐一有对应用例例如l2_upsamplelinear1d_backward_test_003_012DOUBLE、INT8、UINT8、INT32、INT64、INT16、BOOL、COMPLEX64、COMPLEX128 等不支持的 dtype 均返回ACLNN_ERR_PARAM_INVALID_016gradOut传入 nullptr 返回ACLNN_ERR_PARAM_NULLPTR_017输入 FLOAT、输出 FLOAT16dtype 不一致返回 INVALID_018/_020outputSize元素个数为 2、inputSize元素个数为 5均返回 INVALID_019/_021outputSize元素为 0、inputSize的 N 为 0返回 INVALID_023/_024gradOut 与inputSize的 NC 不一致、与outputSize的 L 不一致返回 INVALIDascend910B3_scale501/ascend910B3_scale400缩放倍数 550 返回 INVALID400 返回 SUCCESS验证了 scales ≤ 500 的上限源码常量MAX_SUPPORT_SCALE 500.0见 aclnn_upsample_linear_1d_backward.cpp#L47。一个值得注意的实现细节单元测试l2_upsamplelinear1d_backward_test_013使用inputSize{0,1,6}N 轴为 0的空 tensor 场景调用第一段接口并期望返回ACLNN_SUCCESS而 aclnn_upsample_linear_1d_backward.cpp#L348-L353 中gradOut-IsEmpty()时直接置workspaceSize 0并成功返回。从源码结构看host 侧第一段接口对含 0 维的空张量会走直通返回路径与参数表中不支持空 Tensor的表述存在细微差异实际以目标硬件上运行时的返回码为准。4.3 aclnnUpsampleLinear1dBackward 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aclnnUpsampleLinear1dBackwardGetWorkspaceSize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。返回值为aclnnStatus状态码同样参见 aclnn返回码。第二段接口的实现只有一行核心逻辑aclnn_upsample_linear_1d_backward.cpp#L462-L468aclnnStatus aclnnUpsampleLinear1dBackward(void* workspace, uint64_t workspaceSize, aclOpExecutor* executor, aclrtStream stream) { L2_DFX_PHASE_2(aclnnUpsampleLinear1dBackward); // 固定写法调用框架能力完成计算 return CommonOpExecutorRun(workspace, workspaceSize, executor, stream); }即真正的算子调度由框架的CommonOpExecutorRun统一完成第一段接口构建好的执行器在这里被一次性执行。5. 约束说明参数gradOut、out的 shape 约束每个维度的取值小于等于 2^20参数out的 N 轴和 C 轴与gradOut保持一致内存占用需小于 60GB计算公式为$$ (gradOut_L out_L out_L) \times N \times C \times sizeof(dtype) 60 \times 1024 \times 1024 \times 1024 $$其中N 代表输入和输出的 N 轴C 代表输入和输出的 C 轴dtype 代表输入张量的数据类型。N × C 2^31。数据格式入参gradOut和出参out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。针对Atlas A2 训练/推理系列、Atlas A3 训练/推理系列反向接口的输入数据缩小倍数必须小于等于 500即$$ outputSize[0] / 输出shape的长度L \le 500 $$参数inputSize、outputSize、scales需要满足如下约束$$ outputSize floor(inputSize_L \times scales) $$源码中该约束由Check_scales实现aclnn_upsample_linear_1d_backward.cpp#L313-L330仅当|scales| 1e-9时才执行output_L floor(input_L * scales)的严格校验scales取 0表示未显式指定缩放倍数、由 inputSize/outputSize 反推时跳过该校验。6. 调用示例与完整代码以下示例代码与仓库中的 test_aclnn_upsample_linear1d_backward.cpp 一致该示例中scales0.5、alignCornerstrue对应 L 从 6 缩放回 3 的反向传播仅供参考具体编译和执行过程请参考 编译与运行样例。#include iostream #include vector #include acl/acl.h #include aclnnop/aclnn_upsample_linear_1d_backward.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_ND, 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 ACL_SUCCESS, 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, 3}; std::vectorint64_t outShape {1, 1, 6}; void* selfDeviceAddr nullptr; void* outDeviceAddr nullptr; aclTensor* self nullptr; aclTensor* out nullptr; std::vectorfloat selfHostData {1, 2, 3}; std::vectorfloat outHostData {0, 0, 0, 0, 0, 0}; // 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); std::vectorint64_t outArraySize {3}; const aclIntArray* outputSize aclCreateIntArray(outArraySize.data(), outArraySize.size()); CHECK_RET(outputSize ! nullptr, return ACL_ERROR_INTERNAL_ERROR); std::vectorint64_t inputArraySize {1, 1, 6}; const aclIntArray* inputSize aclCreateIntArray(inputArraySize.data(), inputArraySize.size()); CHECK_RET(inputSize ! nullptr, return ACL_ERROR_INTERNAL_ERROR); // 3. 调用CANN算子库API需要修改为具体的API名称 uint64_t workspaceSize 0; aclOpExecutor* executor; // 调用aclnnUpsampleLinear1dBackward第一段接口 ret aclnnUpsampleLinear1dBackwardGetWorkspaceSize(self, outputSize, inputSize, true, 0.5, out, workspaceSize, executor); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleLinear1dBackwardGetWorkspaceSize 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); } // 调用aclnnUpsampleLinear1dBackward第二段接口 ret aclnnUpsampleLinear1dBackward(workspaceAddr, workspaceSize, executor, stream); CHECK_RET(ret ACL_SUCCESS, LOG_PRINT(aclnnUpsampleLinear1dBackward 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(resultData[0]), 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); aclDestroyIntArray(outputSize); aclDestroyIntArray(inputSize); // 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(); return 0; }参数对应关系小结selfShape{1,1,3}对应gradOutN1、C1、L3outShape{1,1,6}对应out即inputSize{1,1,6}中 N、C、L 三轴outputSize{3}与gradOut的 L 维一致。这组 shape 同时满足 4.1 节参数表和第 5 节的全部约束。7. 源码实现剖析校验链路与架构分支7.1 参数校验链路CheckParams第一段接口的入口 aclnnUpsampleLinear1dBackwardGetWorkspaceSize 在构建执行器之后、生成算子图之前会依次执行CheckParams中的六步校验aclnn_upsample_linear_1d_backward.cpp#L228-L255步骤函数校验内容与文档的对应关系1CheckNotNullgradOut、outputSize、inputSize、out非空对应ACLNN_ERR_PARAM_NULLPTR2CheckShapeValidRegBase 架构/CheckShape其他架构gradOut/out为 3 维outputSizesize 为 1、inputSizesize 为 3gradOut的 L 维等于outputSize[0]out的各维等于inputSize对应元素对应 INVALID 表中 ③④⑤⑥⑦⑧⑩3CheckDtypeValidNPU 架构必须在支持列表内DAV_2201/DAV_1001/RegBase 系列gradOutdtype 属于 FP16/FP32/BF16 白名单out与gradOutdtype 一致对应 INVALID 表中 ①②4CheckInputElementinputSize/outputSize元素均大于 0gradOut的完整 shapeN、C、L与{batch, channels, outputL}逐维一致对应 INVALID 表中 ⑤⑦⑧5CheckNCValidgradOut与out的 N、C 轴相等对应 INVALID 表中 ⑨6CheckUplimit非 RegBase 架构下各维不超过 INT32_MAXRegBase 架构跳过该检查对应每维取值小于等于 2^20 级别的量级约束7.2 执行图构建两条架构分支通过校验后实现按 NPU 架构走两条不同的执行图构建路径aclnn_upsample_linear_1d_backward.cpp#L354-L454分支一RegBase 架构含 Atlas A3/A2 系列。由于该分支的底层 kernel 直接操作 3 维 NCL 张量处理最简单先对gradOut做l0op::Contiguous得到连续 tensor若gradOut的 shape 与inputSize各轴相同CheckIOSizesIsSame为真说明不需要插值回传直接l0op::ViewCopy(gradOutContiguous, out)写回否则分配中间 tensororiginalImage调用l0op::ResizeLinearGrad(gradOutContiguous, originalImage, alignCorners, scales, out, executor)完成 1D 线性插值反向最后ViewCopy回out。分支二其他架构典型为 Ascend 910B 等 DAV_2201。底层UpsampleBilinear2dGradkernel 只处理 4 维 NCHW因此代码先做升维View3dAs4d通过Contiguous → Unsqueeze(2) → ReFormat(NCHW)把 3 维 NCL 张量变成 4 维 NCHWL 维扩展为 HL、W1inputSize也补维为{N, C, 1, L}。随后按三种情况分派大尺寸或尺寸/缩放约束不满足outputSize[0] 1000000或gradOut与inputSize的 shape 不一致且不是 DAV_2201 scale 一致的场景走ResizeBilinearV2Grad5Hd路径——gradOut先Cast为 FLOAT32 再TransDataSpecial到 NC1HWC0经halfPixelCenters !alignCorners的双线性反向 kernel 计算最后TransData回 NCHW 并Cast回目标 dtypeDAV_2201 且CheckScales通过即scales ≤ 500调用l0op::UpsampleBilinear2dGrad(gradOutCast, outputSizeArray, originSizeArray, outContiguous, alignCorners, realScales_h, realScales_w, executor)其中宽度方向缩放取1.0 / scalesscales ≤ 0 时取 0由底层反推高度方向固定 1.0因为补维后 H 恒为 1最后统一View4dAs3dsqueeze 第 2 维并 reformat降回 3 维ViewCopy写回out。构建完成后*workspaceSize uniqueExecutor-GetWorkspaceSize()汇总整张执行图的 workspace并把 executor 释放给调用方。从源码结构看这种3 维 API 4 维 kernel 复用的设计正是aclnnUpsampleLinear1dBackward与aclnnUpsampleBilinear2dBackwardV2共用UpsampleBilinear2dGrad算子模块的原因1D 场景等价于 W1 的 2D 双线性插值。7.3 测试体系除 4.2 节列出的 host 侧 UT 外仓库还提供端到端样例examples/test_aclnn_upsample_linear1d_backward.cpp即第 6 节代码ST系统测试配置与执行器atk_aclnnUpsampleLinear1dBackward.json、executor_aclnnUpsampleLinear1dBackward.py。从执行器脚本结构看ST 流程会先用 PyTorchtorch_npu在标杆侧做正向upsample_linear1d计算再以全 1 梯度执行output.backward(gradoutput)取得输入梯度作为参考值与 NPU 上 aclnn 接口的输出做精度比对脚本还负责把 PyTorch 侧的scale_factor/size参数换算成 aclnn 接口所需的scalesH_double与outputSize_int其中只指定 size 不指定 scale时scales取 0与源码中由 outputSize/inputSize 反推 scales的分支相呼应。8. 常见报错与排查要点结合文档返回码表与源码校验链路实际调用时的排查路径如下现象可能原因定位建议ACLNN_ERR_PARAM_NULLPTR161001gradOut/outputSize/inputSize/out任一为 nullptr检查指针初始化aclCreateIntArray的返回也要判空见示例代码第 104/108 行写法。ACLNN_ERR_PARAM_INVALID161002dtype 类dtype 不在 FP16/FP32/BF16 内或gradOut与outdtype 不一致Atlas 训练系列传入了 BF16对照 4.1 节数据类型列与各平台限制。ACLNN_ERR_PARAM_INVALIDshape 类gradOut/out不是 3 维outputSizesize≠1inputSizesize≠3L 维与outputSize[0]不匹配N/C 不一致逐维核对gradOut.shape {N, C, outputSize[0]}out.shape inputSize。ACLNN_ERR_PARAM_INVALIDscales 类scales 500或outputSize[0] ! floor(inputSize[2] * scales)反向接口中scales是正向缩放乘数例如正向 6→3 的 0.5 倍缩放反向应传 0.5而不是 2。运行期精度异常非确定性实现平台未开启确定性workspace 复用错误950 平台可通过aclrtCtxSetSysParamOpt开启确定性确认第二段接口使用第一段返回的同一 executor 与 workspace。9. 小结aclnnUpsampleLinear1dBackward在 ops-cv 中以两段式 aclnn 接口 架构分派的执行图方式把 1D 线性插值的梯度回传统一到UpsampleBilinear2dGrad算子模块下RegBase 架构直接调用 3 维的ResizeLinearGrad路径910B 等架构则通过 NCL→NCHW 升维复用UpsampleBilinear2dGrad/ResizeBilinearV2Grad5Hdkernel。对使用者而言只要记住三件事——gradOut为 3 维 NCL 且 L 维等于outputSize[0]、out的 shape 等于inputSizeN、C 与gradOut一致、scales是正向缩放乘数且不超过 500——再按第 6 节示例的固定流程申请 workspace、执行第二段接口并同步流即可在支持的 NPU 产品上稳定完成 1D 上采样的反向计算。更多接口级细节可继续查阅 正向接口文档、两段式接口说明 与 aclnn返回码。【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
