CANN/cann-bench ResizeBilinear算子API描述

ResizeBilinear 算子 API 描述

【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台，推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench

1. 算子简介

使用双线性插值调整图像大小。

主要应用场景：

• 图像预处理中的缩放与分辨率调整
• 特征金字塔网络（FPN）中的上采样操作
• 语义分割中的特征图恢复到原始分辨率
• 目标检测中不同尺度特征的对齐

算子特征：

• 难度等级：L2（FusedComposite）
• 单输入单输出，输入为 4D 张量 (N, C, H, W)，输出空间维度由 output_size 或 scale_factor 指定

2. 算子定义

数学公式

$$ y = \text{resize_bilinear}(x, \text{size}) $$

对输入张量的空间维度 (H, W) 进行双线性插值缩放。对于输出位置 $(i, j)$，根据其在输入空间中的映射坐标 $(h, w)$，利用周围 4 个最近邻像素的值进行加权平均：

$$ y(i, j) = (1-\alpha)(1-\beta) \cdot x(\lfloor h \rfloor, \lfloor w \rfloor) + \alpha(1-\beta) \cdot x(\lceil h \rceil, \lfloor w \rfloor) + (1-\alpha)\beta \cdot x(\lfloor h \rfloor, \lceil w \rceil) + \alpha\beta \cdot x(\lceil h \rceil, \lceil w \rceil) $$

其中 $\alpha = h - \lfloor h \rfloor$，$\beta = w - \lfloor w \rfloor$。

• align_corners=true：输入输出的角点像素对齐，坐标映射为 $h = i \times \frac{H_{in}-1}{H_{out}-1}$
• align_corners=false：坐标映射为 $h = (i + 0.5) \times \frac{H_{in}}{H_{out}} - 0.5$

3. 接口规范

算子原型

cann_bench.resize_bilinear(Tensor x, int[] output_size, bool align_corners=false, float[] scale_factor=null) -> Tensor y

输入参数说明

输出

数据类型

规则与约束

• 输入 x 必须为 4D 张量，形状为 (N, C, H, W)
• output_size 和 scale_factor 互斥，两者不能同时指定
• output_size 为 [output_height, output_width]，指定输出空间维度大小
• scale_factor 为 [scale_height, scale_width]，指定缩放比例
• 输出 dtype 与输入 dtype 一致
• 支持上采样（输出大于输入）和下采样（输出小于输入）

4. 精度要求

采用生态算子精度标准进行验证。

误差指标：

1. 平均相对误差（MERE）：采样点中相对误差平均值

   $$ \text{MERE} = \text{avg}(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)+\text{1e-7}}) $$

2. 最大相对误差（MARE）：采样点中相对误差最大值

   $$ \text{MARE} = \max(\frac{\text{abs}(actual - golden)}{\text{abs}(golden)+\text{1e-7}}) $$

通过标准：

当平均相对误差 MERE < Threshold，最大相对误差 MARE < 10 * Threshold 时判定为通过。

5. 标准 Golden 代码

import torch from typing import List, Optional """ ResizeBilinear 算子 Torch Golden 参考实现 使用双线性插值调整图像大小 公式：y = resize_bilinear(x, size) """ def resize_bilinear( x: torch.Tensor, output_size: Optional[List[int]] = None, align_corners: bool = False, scale_factor: Optional[List[float]] = None ) -> torch.Tensor: """ 使用双线性插值调整图像大小 Args: x: 输入张量，形状为 (N, C, H, W) output_size: 输出尺寸 [output_height, output_width] align_corners: 是否对齐角点 scale_factor: 缩放因子 [scale_height, scale_width]，与 output_size 互斥 Returns: 输出张量，调整大小后的结果 """ # 使用 PyTorch 的 interpolate 实现双线性插值 y = torch.nn.functional.interpolate( x, size=output_size, scale_factor=scale_factor[0] if scale_factor and len(scale_factor) == 1 else scale_factor, mode='bilinear', align_corners=align_corners ) return y

6. 额外信息

算子调用示例

import torch import cann_bench x = torch.randn(2, 8, 512, 512, dtype=torch.float16, device="npu") y = cann_bench.resize_bilinear(x, output_size=[256, 256], align_corners=False) # 下采样 x = torch.randn(4, 4, 64, 64, dtype=torch.float32, device="npu") y = cann_bench.resize_bilinear(x, output_size=[128, 128], align_corners=True) # 上采样 + 角点对齐 x = torch.randn(1, 16, 128, 128, dtype=torch.bfloat16, device="npu") y = cann_bench.resize_bilinear(x, output_size=[256, 256]) # bfloat16 上采样

【免费下载链接】cann-bench评测AI在处理CANN领域代码任务的能力，涵盖算子生成、算子优化等领域，支撑模型选型、训练效果评估，统一量化评估标准，识别Agent能力短板，构建CANN领域评测平台，推动AI能力在CANN领域的持续演进。项目地址: https://gitcode.com/cann/cann-bench