GridUnnormal 算子深度解析：CANN ops-cv 中 GridSample 链路的坐标反归一化实现与 GE 图模式调用

GridUnnormal 算子深度解析：CANN ops-cv 中 GridSample 链路的坐标反归一化实现与 GE 图模式调用

【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

导读

GridUnnormal 是 CANN ops-cv 开源算子库中服务于 GridSample 链路的坐标反归一化（unnormalize）算子：它以归一化采样坐标grid与同形状的尺寸辅助张量assist为输入，逐元素输出pos_base的小数偏移diff与整数采样位置position，为后续双线性/双三次采样的取点与插值提供基础。本文以 image/grid_unnormal/README.md 为骨架，结合算子原型、Infershape、Tiling、Kernel 与测试代码，系统讲解其计算公式、参数约束、产品支持范围、源码级实现原理以及 GE IR 图模式调用样例，帮助开发者理解并正确使用这一 GE 图内部算子。

产品支持情况

GridUnnormal 算子在不同硬件产品上的支持情况如下（以仓库 README 为准）：

从源码结构看，算子 Kernel 与 Tiling 均位于arch35目录（op_kernel/arch35、op_host/arch35），对应 DAV_3510 架构（即 Ascend 950 系列）的寄存器编程实现，这与 README 中 Ascend 950 系列“√”的支持状态一致。

功能说明：GridSample 链路中的坐标反归一化

算子定位

GridUnnormal 是 GridSample 链路中的坐标反归一化算子，处理的是"把归一化采样坐标还原为输入图像上的真实浮点采样位置"这一环节。其输入包含两部分：

• grid：归一化采样坐标，元素取值通常落在[-1, 1]区间；
• assist：与grid同 shape 的尺寸辅助张量，每元素对应输入在某维上的尺寸值（例如图像的高或宽）。

算子输出两个结果：pos_base的小数部分diff，以及pos_base的下取整结果position（int32 整数采样位置），两者可直接作为后续插值采样的基础。

计算公式

对每个元素独立计算：

t = (grid + 1) * 0.5 pos_base = align_corners ? t * (assist - 1) : t * assist - 0.5 position = floor(pos_base) diff = pos_base - floor(pos_base)

其中floor按向负无穷取整语义执行，不能用向零截断（trunc）替代。这一约束在 Kernel 实现中有直接体现：grid_unnormal.h 中定义了kCastF32ToI32Floor，其RoundMode显式指定为CAST_FLOOR，保证负数坐标按 floor 语义下取整。

两种align_corners模式分别对应 GridSample 语义中的两种坐标对齐约定：

• align_corners = true：输入输出张量角点像素中心对齐，坐标映射为t * (assist - 1)；
• align_corners = false（默认）：不做角点对齐，坐标映射为t * assist - 0.5。

数值验证（golden 实现）

golden.py 提供了两套参考实现用于交叉验证：_grid_unnormal_golden_compute采用与 README 等价的代数变形（pos_base = ((grid + 1) * assist - 1) / 2），_grid_unnormal_third_party_compute则严格按 README 公式逐字实现（pos_base = normalized * assist - 0.5），并通过 torch 的torch.floor计算下取整结果。测试容差配置中，diff输出使用cross_check标准（float32/float16 均为 L1 级别），position输出使用binary_equal（整数逐位相等）标准。

参数说明

上述参数定义在算子原型 grid_unnormal_proto.h 中通过REG_OP(GridUnnormal)声明，与 grid_unnormal_def.cpp 中的 OpDef 注册完全一致：输入输出均为REQUIRED，align_corners为OPTIONAL且默认false。dtype 组合由 2 行 dtype 表描述：grid/assist/diff = {fp16, fp32}，position = {int32, int32}，即 diff 跟随 grid 的 dtype，position 固定为 int32。

约束说明

• grid与assist的 shape、dtype 必须一致，不支持广播；
• rank 确定时，grid与assist必须为 4D Tensor，shape 为[batch, height, width, 2]（末维 2 表示坐标分量）；
• 仅支持 ND 格式；非连续 Tensor 作为用户可见接口不涉及；
• diff的 dtype 跟随grid；position固定为 int32；
• 中间计算使用 fp32；fp16 输入会提升到 fp32 计算，diff再回写为 fp16；
• 总元素数为 0 的空 Tensor 支持空进空出，设备侧不访问数据；
• 非有限输入（NaN/Inf）以及floor(pos_base)超出 int32 表示范围不属于本算子支持域；
• 本算子为 GE 图内部算子，不提供 aclnn、torch、TensorFlow、ONNX、Caffe 对外接口。

这些约束在 Infershape 与 Tiling 代码中均有对应检查：grid_unnormal_infershape.cpp 会校验 rank 必须为 4、末维必须为 2（未知维度除外）、grid 与 assist 的已知维度必须逐维相等；grid_unnormal_tiling_arch35.cpp 在编译期进一步校验存储 shape 完全一致且两个输入 dtype 必须相等（L150-L156）。golden.py 的注释也明确指出：该 OpDef 为 aclnn_exclude，未交付 torch_npu 绑定，也未交付 TensorFlow/ONNX 解析器与融合 pass。

动态 shape 支持细节

• 编译期未知 rank 通过-2标记表示：Infershape 中IsUnknownRank检查shape->GetDimNum() == 1 && shape->GetDim(0) == -2时直接放行；
• 动态 shape 场景下，末维-1（UNKNOWN_DIM）被允许（只要不等于 2 之外的其他已知值），Tiling 阶段再基于实际存储 shape 计算总元素数；
• 算子声明中DynamicRankSupportFlag(true)、DynamicShapeSupportFlag(true)、DynamicCompileStaticFlag(true)（grid_unnormal_def.cpp）确认了上述能力的编译期开启状态。

调用说明：GE IR 图模式调用

GridUnnormal 作为 GE 图内部算子，通过构图方式在图中使用。README 给出的调用方式为：

调用样例核心流程

test_geir_grid_unnormal.cpp 演示了完整的 GE IR 图模式调用流程，关键步骤包括：

1. 创建算子节点：op::GridUnnormal("gridUnnormal_1")，基于 grid_unnormal_proto.h 生成的op::GridUnnormal类；
2. 构造输入占位节点：op::Data("grid").set_attr_index(0)与op::Data("assist").set_attr_index(1)，通过update_input_desc_x声明 FORMAT_ND、DT_FLOAT 的 4D 描述；
3. 绑定输入：gridUnnormal.set_input_grid(grid)、gridUnnormal.set_input_assist(assist)；
4. 设置属性：gridUnnormal.set_attr_align_corners(false)；
5. 声明输出描述：update_output_desc_diff（DT_FLOAT）与update_output_desc_position（DT_INT32）；
6. 构图执行：graph.SetInputs(inputs).SetOutputs(outputs)后，经Session->AddGraph(graphId, graph)与Session->RunGraph(graphId, input, output)完成执行，其中全局配置ge.exec.deviceId=0、ge.graphRunMode=1。

样例数值推演

样例配置为align_corners = false，grid与assist均为DT_FLOAT、shape[1, 6, 5, 2]，grid 每元素填0.3f、assist 每元素填5.0f，期望输出：

t = (0.3 + 1) * 0.5 = 0.65 pos_base = 0.65 * 5 - 0.5 = 2.75 position = floor(2.75) = 2 (int32) diff = 2.75 - 2 = 0.75

即diff输出全为 0.75（float），position输出全为 2（int32）。这个手算推演与 golden.py 的 torch 参考实现可以相互印证，可直接作为自测基准。

源码实现原理

Kernel 实现：RegBase 寄存器编程范式

grid_unnormal.cpp 是 kernel 入口，采用 ops-cv 非模板extern "C"约定：dtype 由DTYPE_GRID编译期实例化（fp16/fp32 各一份），align_corners走 tilingdata 运行时分支。入口通过REGISTER_TILING_DEFAULT注册默认 Tiling，随后调用NsGridUnnormal::GridUnnormalKernel<DTYPE_GRID>完成初始化与计算。

grid_unnormal.h 中GridUnnormalKernel<T>的实现要点：

• 数据搬运：GM↔UB 使用TQue+DataCopyPad（CopyIn/CopyOut），每个核心按coreStart_/coreLen_处理属于自己的元素区间，双缓冲（kBufNum = 2）隐藏搬运与计算延迟；
• 向量计算：在__VEC_SCOPE__内用 MicroAPI 寄存器算子（RegTensor/MaskReg/Adds/Muls/Mul/Sub/Cast）完成逐元素计算。t = (grid + 1) * 0.5通过Adds加 1 再Muls乘 0.5 实现；align_corners为 true 时先Adds(aReg, -1)再Mul，为 false 时先Mul再Adds(-0.5)（模板参数AlignCorners编译期展开）；
• 统一 fp32 中间计算：fp16 输入由LoadOneTensorForDtypeT载入即升为 fp32，StoreOneTensorForDtypeT存回时再降为 fp16——与 README"中间计算使用 fp32"的约束对应；
• floor 语义保证：position使用Cast<int32_t, float, kCastF32ToI32Floor>（RoundMode 为CAST_FLOOR）保证向负无穷下取整，随后通过Cast<float, int32_t>还原浮点 floor 值做Sub得到diff；
• 寄存器位宽：向量寄存器 256B，fp32 通道每拍 64 元素（kFp32PerLoop = 64），repeatTimes按 64 元素对齐循环。

Tiling 实现：扁平化分核 + UB 切分

grid_unnormal_tiling_arch35.cpp 实现 host 侧 Tiling，策略为"纯 elementwise，按总元素数扁平分核"：

1. 通过PlatformAscendC获取 AIV 核数coreNum与 UB 大小ubSize（GetPlatformInfo）；
2. 校验存储 shape 与 dtype 后计算总元素数total（GetInputInfo）；
3. 依据 UB 容量与每元素字节数（BytesPerElem：两个输入 + diff 输出按 dtype 字节计、position 按 int32 计，均乘双缓冲数 2）计算ubFactor，并向下对齐到 64 元素整数倍（CalcUbFactor），预留 8KB UB 余量；
4. 按perCore = ceil(total / coreNum)向上取整均分到各核，usedCores收窄为实际需要的核数并设置SetBlockDim（FillNormalTiling）；
5. 空 Tensor（total <= 0）走 FillEmptyTiling：totalNum=0、blockDim=1、workspace 为 0，实现"空进空出、设备侧不访问数据"。

TilingData 结构定义在 grid_unnormal_tiling_data.h：totalNum（总元素数）、perCoreNum（每核元素数）、ubFactor（单次 UB tile 元素数）、alignCorners（0/1 分支标志）。

算子配置与编译产物

op_host/config/ascend950/grid_unnormal_binary.json 描述了 ascend950 平台预编译产物的规格：为 fp16 与 fp32 两种 dtype 各生成一份二进制（GridUnnormal_1d9cf9915315ae9f8e867b978473f984与GridUnnormal_f7372211154d6f1cad01274230b0fdf9），输入输出 shape 均为-2（编译期未知 rank，动态 shape 入口），align_corners属性在编译产物中值为 null（运行时决定）。同目录下的grid_unnormal_simplified_key.ini提供简化 key 配置。

测试验证

仓库为 GridUnnormal 提供了 host 侧与 kernel 侧两层单元测试：

• Infershape/Tiling 单测：test_grid_unnormal_infershape.cpp 验证形状与 dtype 推导逻辑；test_grid_unnormal_tiling.cpp 验证 Tiling 数据与分核结果；
• Kernel 单测：test_grid_unnormal.cpp 配合 gen_data.py 生成输入数据、compare_data.py 与 golden 结果比对，验证设备侧实际计算结果；
• golden 参考：golden.py 提供 torch 参考实现，float32/float16 输出按 L1 交叉校验、int32 输出按逐位相等校验。

总结

GridUnnormal 作为 GridSample 链路的坐标反归一化算子，以"两输入（grid/assist）、两输出（diff/position）、一个可选属性（align_corners）"的简洁接口，在 Ascend 950（arch35）平台上以统一 fp32 中间精度、CAST_FLOOR下取整语义、扁平化分核 Tiling 与 RegBase 寄存器编程实现了高效且行为可预期的坐标还原。理解其计算公式与约束（4D、末维为 2、shape/dtype 一致、ND 格式、floor 语义）是正确使用的前提；如需在图中集成该算子，可参考 test_geir_grid_unnormal.cpp 的 GE IR 构图方式，并通过 golden.py 的参考实现做数值验证。

【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