【gridsample】地平线如何支持gridsample算子
文章目录
- 1. grid_sample算子功能解析
-
- 1.1 理论介绍
- 1.2 代码分析
-
- 1.2.1 x,y取值范围[-1,1]
- 1.2.2 x,y取值范围超出[-1,1]
- 2. 使用grid_sample算子构建一个网络
- 3. 走PTQ进行模型转换与编译
- 4. 走QAT进行模型转换与编译
实操以J5 OE1.1.60对应的docker为例
1. grid_sample算子功能解析
该段主要参考：https://blog.csdn.net/jameschen9051/article/details/124714759，不想看理论可直接跳至第2节
1.1 理论介绍
在图像处理领域，grid_sample 是一个常用的操作，通常用于对图像进行仿射变换或透视变换。它可以在给定输入图像和一个变换矩阵的情况下，对输入图像进行采样，生成一个新的输出图像。
pytorch中调用接口：
torch.nn.functional.grid_sample(input,grid,mode='bilinear',padding_mode='zeros',align_corners=None)
- input：输入特征图，可以是四维或者五维张量，本文主要以四维为例进行介绍，表示为 (N,C,Hin,Win) 。
- grid：采样网格，包含输出特征图的shape大小(Hout、Wout)，每个 网格值 通过变换对应到输入特征图的采样点位，当对应四维input时，其张量形式为(N,Hout,Wout,2)，其中最后一维大小必须为2，如果输入input为五维张量，那么最后一维大小必须为3。
为什么最后一维必须为2或者3？因为grid的最后一个维度实际上代表一个坐标(x,y)或者(x,y,z)，对应到输入特征图的二维或三维特征图的坐标维度，x,y取值范围一般为[-1,1]，该范围映射到输入特征图的全图，一通操作变换后对应于输出图像上的一个像素点。
- mode：采样模式，可以是 ‘bilinear’（双线性插值）、 ‘nearest’（最近邻插值）、‘bicubic’ 双三次插值。。
- padding_mode：填充模式，用于处理采样时超出输入图像边界的情况，可以是 ‘zeros’ 、 ‘border’、 ‘reflection’。
- align_corners：一个布尔值，用于指定特征图坐标与特征值对应方式，设定为TRUE时，特征值位于像素中心。
总的说来，grid_sample 算子会根据给定的网格（grid）在输入图像上进行采样，然后根据选择的插值方法在采样点周围的像素上进行插值，最终生成输出图像。
画一个在BEV方案中grid_sample原理图来帮助理解grid_sample怎么回事：
1.2 代码分析
对照代码进行下一步解读。
假设输入shape为(N,C,H_in,W_in)，grid的shape设定为(N,H_out,W_out,2)，使用双线性差值，填充模式为zeros，align_corners需要设置为True。
首先根据input和grid设定，输出特征图tensor的shape为(N,C,H_out,W_out)，输出特征图上每一个cell上的值与grid最后一维(x,y)息息相关，那么如何计算输出tensor上每一个点的值？
首先，通过(x,y)找到输入特征图上的采样位置：由于x，y取值范围为[-1,1]，为了便于计算，先将x，y取值范围调整为[0,1]，方法是(x+1)/2，(y+1)/2。因此，将x，y映射为输入特征图的具体坐标位置：(w-1)(x+1)/2、(h-1)(y+1)/2。
将x，y映射到输入特征图实际坐标后，取该坐标附近四个角点特征值，通过四个特征值坐标与采样点坐标相对关系进行双线性插值，得到采样点的值。
注意：x，y映射后的坐标可能是输入特征图上任意位置。
基于上面的思路，可以进行一个简单的自定义实现。根据指定shape生成input和grid，之后取grid中的第一个位置中的x，y，根据x，y从input中通过双线性插值计算出output第一个位置的值。类比使用pytorch中的grid_sample算子生成output。
其它的看代码注释即可。
1.2.1 x,y取值范围[-1,1]
import torch
import numpy as np
def grid_sample(input, grid):
N, C, H_in, W_in = input.shape
N, H_out, W_out, _ = grid.shape
output = np.random.random((N,C,H_out,W_out))
for i in range(N):
for j in range(C):
for k in range(H_out):
for l in range(W_out):
param = [0.0, 0.0]
# 通过(w-1)*(x+1)/2、(h-1)*(y+1)/2将x，y映射为输入特征图的具体坐标位置。
param[0] = (W_in - 1) * (grid[i][k][l][0] + 1) / 2
param[1] = (H_in - 1) * (grid[i][k][l][1] + 1) / 2
x0 = int(param[0]) # int取整规则：将小数部分截断去掉。
x1 = x0 + 1
y0 = int(param[1])
y1 = y0 + 1
param[0] -= x0 # 此时param里装的是小数部分
param[1] -= y0
# 双线性插值
left_top = input[i][j][y0][x0] * (1 - param[0]) * (1 - param[1])
left_bottom = input[i][j][y1][x0] * (1 - param[0]) * param[1]
right_top = input[i][j][y0][x1] * param[0] * (1 - param[1])
right_bottom = input[i][j][y1][x1] * param[0] * param[1]
result = left_bottom + left_top + right_bottom + right_top
output[i][j][k][l] = result
return output
if __name__=='__main__':
N, C, H_in, W_in, H_out, W_out = 1, 1, 4, 4, 2, 2
input = np.random.random((N,C,H_in,W_in))
# np.random.random()范围是[0,1),想要[a,b)的数据，需要(b-a)*np.random.random() + a
grid = -1 + 2*np.random.random((N,H_out,W_out,2)) # 最后一维2，生成了坐标
out = grid_sample(input, grid)
print(f'自定义实现输出结果：\n{out}')
input = torch.from_numpy(input)
grid = torch.from_numpy(grid)
# 注意：这儿align_corners=True
output = torch.nn.functional.grid_sample(input,grid,mode='bilinear', padding_mode='zeros',align_corners=True)
print(f'grid_sample输出结果：\n{output}')
输出：
从输出结果上看，与pytorch基本一致。
注意：这里没有对超出[-1,1]范围的x，y值做处理，只能处理四维input，五维input的实现思路与这里基本一致：再加一层循环，内插算法改为3维。。
1.2.2 x,y取值范围超出[-1,1]
考虑到(x,y)取值范围可能越界，pytorch中的padding_mode设置就是对(x,y)落在输入特征图外边缘情况进行处理，一般设置’zero’，也就是对靠近输入特征图范围以外的采样点进行0填充，如果不进行处理显然会造成索引越界。要解决(x,y)越界问题，可以进行如下修改：
import torch
import numpy as np
def grid_sample(input, grid):
N, C, H_in, W_in = input.shape
N, H_out, W_out, _ = grid.shape
output = np.random.random((N,C,H_out,W_out))
for i in range(N):
for j in range(C):
for k in range(H_out):
for l in range(W_out):
param = [0.0, 0.0]
# 通过(w-1)*(x+1)/2、(h-1)*(y+1)/2将x，y映射为输入特征图的具体坐标位置。
param[0] = (W_in - 1) * (grid[i][k][l][0] + 1) / 2
param[1] = (H_in - 1) * (grid[i][k][l][1] + 1) / 2
x1 = int(param[0] + 1) # int取整规则：将小数部分截断去掉。
x0 = x1 - 1
y1 = int(param[1] + 1)
y0 = y1 - 1
param[0] = abs(param[0] - x0) # 此时param里装的是离x0,y0的距离
param[1] = abs(param[1] - y0)
# 填充
left_top_value, left_bottom_value, right_top_value, right_bottom_value = 0, 0, 0, 0
if 0 <= x0 < W_in and 0 <= y0 < H_in:
left_top_value = input[i][j][y0][x0]
if 0 <= x1 < W_in and 0 <= y0 < H_in:
right_top_value = input[i][j][y0][x1]
if 0 <= x0 < W_in and 0 <= y1 < H_in:
left_bottom_value = input[i][j][y1][x0]
if 0 <= x1 < W_in and 0 <= y1 < H_in:
right_bottom_value = input[i][j][y1][x1]
# 双线性插值
left_top = left_top_value * (1 - param[0]) * (1 - param[1])
left_bottom = left_bottom_value * (1 - param[0]) * param[1]
right_top = right_top_value * param[0] * (1 - param[1])
right_bottom = right_bottom_value * param[0] * param[1]
result = left_bottom + left_top + right_bottom + right_top
output[i][j][k][l] = result
return output
if __name__=='__main__':
N, C, H_in, W_in, H_out, W_out = 1, 1, 4, 4, 2, 2
input = np.random.random((N,C,H_in,W_in))
# np.random.random()范围是[0,1),想要[a,b)的数据，需要(b-a)*np.random.random() + a
grid = -1 + 2*np.random.random((N,H_out,W_out,2)) # 最后一维2，生成了坐标
grid[0][0][0] = [-1.2, 1.3] # 超出[-1,1]的范围
out = grid_sample(input, grid)
print(f'自定义实现输出结果：\n{out}')
input = torch.from_numpy(input)
grid = torch.from_numpy(grid)
# 注意：这儿align_corners=True
output = torch.nn.functional.grid_sample(input,grid,mode='bilinear', padding_mode='zeros',align_corners=True)
print(f'grid_sample输出结果：\n{output}')
输出：
2. 使用grid_sample算子构建一个网络
先看一下地平线提供的算子支持与约束列表：
据此，构建一个简单的网络，test.py代码如下：
import torch
import torch.nn as nn
import torch.nn.functional as F
from horizon_nn.torch import export_onnx
class GridSampleModel(nn.Module):
def __init__(self):
super(GridSampleModel, self).__init__()
self.unitconv = nn.Conv2d(24, 24, (1, 1), groups=3)
nn.init.constant_(self.unitconv.weight, 1)
nn.init.constant_(self.unitconv.bias, 0)
def forward(self, x1, x2):
x1 = self.unitconv(x1)
x = F.grid_sample(x1,
grid=x2,
mode='bilinear',
padding_mode='zeros',
align_corners=True)
x = self.unitconv(x)
return x
if __name__ == "__main__":
model = GridSampleModel()
model.eval()
input_names = ['x1', 'x2']
output_names = ['output']
x1 = torch.randn((1, 24, 600, 800))
x2 = torch.randn((1, 48, 64, 2))
export_onnx(model, (x1, x2), 'gridsample.onnx',
verbose=True, opset_version=11,
input_names=input_names, output_names=output_names)
print('convert to gridsampe onnx finish!!!')
运行test.py，生成onnx模型，可视化结构如下图：
3. 走PTQ进行模型转换与编译
对应config.yaml文件：
# 模型转化相关的参数
model_parameters:
onnx_model: './gridsample.onnx'
march: "bayes"
working_dir: 'model_output'
output_model_file_prefix: 'gridsample'
# 模型输入相关参数, 若输入多个节点, 则应使用';'进行分隔, 使用默认缺省设置则写None
input_parameters:
input_name: "x1;x2"
input_type_rt: 'featuremap;featuremap'
input_layout_rt: 'NCHW;NCHW'
input_type_train: 'featuremap;featuremap'
input_layout_train: 'NCHW;NCHW'
input_shape: '1x24x600x800;1x48x64x2'
norm_type: 'no_preprocess;no_preprocess'
# 模型量化相关参数
calibration_parameters:
calibration_type: 'skip'
# 编译器相关参数
compiler_parameters:
compile_mode: 'latency'
optimize_level: 'O3'
使用的是OE1.1.60对应的docker
hb_mapper makertbin --config config.yaml --model-type onnx
全一段，且都在BPU上
4. 走QAT进行模型转换与编译
对应的是plugin-fx，关于该部分基础解读可见另外一篇文章：https://blog.csdn.net/weixin_45377629/article/details/131354320
可运行代码如下：
import os
import torch
import torch.nn as nn
import torch.nn.functional as F
# torch中的一个类，主要用于将量化操作的结果转换回浮点数，也就是对输出数据转换回浮点数
from torch.quantization import DeQuantStub
# 硬件芯片架构，J5：bayes；XJ3：bernoulli2，具体可看源码
from horizon_plugin_pytorch.march import March, set_march
from horizon_plugin_pytorch.quantization import (
QuantStub, # 类似于torch中的类QuantStub，用于将输入数据量化，使用plugin中的QuantStub是因为它支持通过参数手动固定 scale
convert_fx, # 将伪量化模型qat_model转换为定点模型quantized_model
prepare_qat_fx, # 将float模型转成calib/qat模型，变动表现：进行一些conv+bn等算子融合
set_fake_quantize, # 用于设置qat/calib model 伪量化状态，内参包括FakeQuantState
FakeQuantState, # 用于设置伪量化状态，有FakeQuantState.QAT用于qat model train，FakeQuantState.VALIDATION用于qat/calib model eval，FakeQuantState.CALIBRATION用于 calib eval
check_model, # 用于检查模型是否可以被硬件支持，本例中输入是可序列化的script_model，并给出一些根据硬件对齐规则可以提升性能的建议
compile_model, # 用于编译生成可以上板的hbm模型
perf_model, # 用于推测模型耗时等信息
visualize_model, # 用于可视化算子优化替换后的模型结构
)
from horizon_plugin_pytorch.quantization.qconfig import (
default_calib_8bit_fake_quant_qconfig, # 校准时，模型总体伪量化节点的量化配置
default_qat_8bit_fake_quant_qconfig, # 量化训练时，模型总体伪量化节点的量化配置
default_qat_8bit_weight_32bit_out_fake_quant_qconfig, # 模型输出的伪量化节点配置，用于配置输出conv节点高精度int32输出
default_calib_8bit_weight_32bit_out_fake_quant_qconfig, # 和上一行是一个东西
)
class GridSampleModel(nn.Module):
def __init__(self):
super(GridSampleModel, self).__init__()
self.unitconv = nn.Conv2d(24, 24, (1, 1), groups=3)
nn.init.constant_(self.unitconv.weight, 1)
nn.init.constant_(self.unitconv.bias, 0)
def forward(self, x1, x2):
x1 = self.unitconv(x1)
x = F.grid_sample(x1,
grid=x2,
mode='bilinear',
padding_mode='zeros',
align_corners=True)
x = self.unitconv(x)
return x
class FxQATReadyGridSample(GridSampleModel):
def __init__(self):
super().__init__()
self.quant = QuantStub()
self.dequant = DeQuantStub()
def forward(self, x1, x2):
x1 = self.quant(x1)
x2 = self.quant(x2)
x = super().forward(x1, x2)
x = self.dequant(x)
return x
def compile(
model,
model_path,
compile_opt=3,
march=March.BAYES,
quant_method="fx",
):
# 定点模型
quantized_model = model
x1 = torch.randn((1, 24, 600, 800))
x2 = torch.randn((1, 48, 64, 2))
example_input = (x1,x2) # Tensor
# 单纯为了更保险，这儿再次加上.cpu()
script_model = torch.jit.trace(quantized_model.cpu(), example_input)
# pt 模型指 torchscript 模型，以.pt结尾
torch.jit.save(script_model, os.path.join(model_path, "int_model.pt"))
check_model(script_model, example_input, advice=1)
compile_model(
script_model,
example_input,
hbm=os.path.join(model_path, "model.hbm"),
input_source="ddr,ddr", # 上板时输入的数据来源，通常有ddr/resizer/pyramid，多输入时配置为字符串列表
opt=compile_opt,
)
# 可视化torchscript模型，也就是hbdk眼中的模型，会考虑到layout的变换、硬件对齐、算子融合、算子等效替换等情况
visualize_model(
script_model,
example_input,
save_path=os.path.join(model_path, "model.svg"),
show=False,
)
return script_model
if __name__ == "__main__":
device = torch.device('cpu')
float_model = FxQATReadyGridSample().to(device)
print(float_model)
set_march(March.BAYES)
calib_model = prepare_qat_fx(
float_model,
{
"": default_calib_8bit_fake_quant_qconfig,
},
).to(device)
quantized_model = convert_fx(calib_model).to(device)
model_path = './model_path'
compile(quantized_model, model_path)
输出：
可视化效果：
