企业官网建设流程全解析

Dilation2D 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

2D形态学膨胀操作，使用最大池化在局部邻域内获取最大值。

主要应用场景：

• 图像形态学处理中的膨胀操作
• 目标边缘扩展和连通区域填充
• 医学影像分割中的形态学后处理
• 文字识别中的笔画膨胀增强

算子特征：

• 难度等级：L3（Contraction）
• 双输入（图像和结构元素/卷积核）单输出
• 输入 shape 为 [batch, height, width, depth]（NHWC 格式），输出 shape 由 padding 和 stride 决定

2. 算子定义

数学公式

$$ y[b, y, x, c] = \max_{dy, dx} \left( x[b, y \cdot \text{stride_h} + \text{rate_h} \cdot dy, x \cdot \text{stride_w} + \text{rate_w} \cdot dx, c] + \text{filter}[dy, dx, c] \right) $$

对每个输出位置 $(b, y, x, c)$，在以 rates 确定的空洞采样窗口内，计算输入与结构元素逐元素加法，然后取最大值。

3. 接口规范

算子原型

cann_bench.dilation2_d(Tensor x, Tensor filter, int[] strides, int[] rates, str padding_mode, int[] pads, bool ceil_mode, str data_format) -> Tensor y

输入参数说明

输出

数据类型

规则与约束

• 输入 x 默认为 NHWC 格式，shape 为 [batch, height, width, depth]
• filter 为结构元素，shape 为 [filter_h, filter_w, channels]
• strides 格式为 [1, stride_rows, stride_cols, 1]，首尾维度固定为 1
• rates 格式为 [1, rate_rows, rate_cols, 1]，首尾维度固定为 1，控制空洞膨胀
• padding_mode 支持 'SAME' 和 'VALID' 两种模式
• SAME 模式下自动计算 padding 使输出尺寸为 ceil(input_size / stride)
• VALID 模式下可通过 pads 参数手动指定填充
• ceil_mode 控制输出尺寸计算时是否向上取整

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 """ Dilation2D 算子 Torch Golden 参考实现 2D形态学膨胀操作，使用最大池化在局部邻域内获取最大值 公式: y[b, y, x, c] = max_{dy,dx} x[b, y + rates[1]*dy, x + rates[2]*dx, c] * filter[dy, dx, c] """ def dilation2_d( x: torch.Tensor, filter: torch.Tensor, strides: list, rates: list, padding_mode: str = 'SAME', pads: list = [0, 0, 0, 0], ceil_mode: bool = False, data_format: str = 'NHWC' ) -> torch.Tensor: """ 2D形态学膨胀操作，对每个位置在膨胀窗口内取 input + filter 的最大值 公式: y[b, y, x, c] = max_{dy,dx} (x[b, y*stride_h + rate_h*dy, x*stride_w + rate_w*dx, c] + filter[dy, dx, c]) Args: x: 输入图像，shape 为 [batch, height, width, depth] (NHWC) 或 [batch, depth, height, width] (NCHW) filter: 结构元素/卷积核，shape 为 [filter_h, filter_w, depth] strides: 步长 [1, stride_h, stride_w, 1]，首尾固定为1 rates: 膨胀率 [1, rate_h, rate_w, 1]，首尾固定为1 padding_mode: 填充模式：'SAME' 或 'VALID' pads: 填充值 [pad_top, pad_bottom, pad_left, pad_right] ceil_mode: 是否向上取整计算输出尺寸 data_format: 数据格式，'NHWC' 或 'NCHW' Returns: 膨胀后的图像 """ if data_format == 'NHWC': x = x.permute(0, 3, 1, 2) # NHWC -> NCHW filter = filter.permute(2, 0, 1) # [H, W, C] -> [C, H, W] batch, channels, in_h, in_w = x.shape filter_h, filter_w = filter.shape[1], filter.shape[2] stride_h, stride_w = strides[1], strides[2] rate_h, rate_w = rates[1], rates[2] effective_filter_h = (filter_h - 1) * rate_h + 1 effective_filter_w = (filter_w - 1) * rate_w + 1 if padding_mode == 'SAME': out_h = (in_h + stride_h - 1) // stride_h out_w = (in_w + stride_w - 1) // stride_w if ceil_mode: out_h = (in_h + stride_h - 1) // stride_h + (1 if (in_h - 1) % stride_h else 0) out_w = (in_w + stride_w - 1) // stride_w + (1 if (in_w - 1) % stride_w else 0) pad_h = max((out_h - 1) * stride_h + effective_filter_h - in_h, 0) pad_w = max((out_w - 1) * stride_w + effective_filter_w - in_w, 0) pad_top = pad_h // 2 pad_bottom = pad_h - pad_top pad_left = pad_w // 2 pad_right = pad_w - pad_left # 形态学膨胀：padding 区域填充负无穷大，使 max 操作忽略这些位置 x = torch.nn.functional.pad(x, [pad_left, pad_right, pad_top, pad_bottom], value=float('-inf')) elif padding_mode == 'VALID': # VALID 模式不需要 padding（或使用指定 pads） if pads and sum(pads) > 0: x = torch.nn.functional.pad(x, [pads[2], pads[3], pads[0], pads[1]], value=float('-inf')) out_h = (in_h - effective_filter_h + stride_h) // stride_h out_w = (in_w - effective_filter_w + stride_w) // stride_w else: if pads and sum(pads) > 0: x = torch.nn.functional.pad(x, [pads[2], pads[3], pads[0], pads[1]], value=float('-inf')) out_h = (x.shape[2] - effective_filter_h + stride_h) // stride_h out_w = (x.shape[3] - effective_filter_w + stride_w) // stride_w if ceil_mode: out_h = (x.shape[2] - effective_filter_h + stride_h - 1) // stride_h + 1 out_w = (x.shape[3] - effective_filter_w + stride_w - 1) // stride_w + 1 # 形态学膨胀: 使用 unfold 获取 patches # unfold 的 dilation 参数会自动按 rate 步长采样 # kernel_size 使用实际的 filter 尺寸，而不是 effective 尺寸 patches = torch.nn.functional.unfold( x, kernel_size=(filter_h, filter_w), dilation=(rate_h, rate_w), stride=(stride_h, stride_w) ) # patches shape: [batch, channels * filter_h * filter_w, out_h * out_w] patches = patches.view(batch, channels, filter_h, filter_w, out_h, out_w) # 形态学膨胀：input_patch + filter，然后取最大值 # filter shape: [C, H, W] -> expand to [batch, C, filter_h, filter_w, out_h, out_w] filter_expanded = filter.unsqueeze(0).unsqueeze(4).unsqueeze(5).expand(batch, -1, -1, -1, out_h, out_w) # 对每个 patch 位置，计算 input + filter，然后取最大值 # patches shape: [batch, C, filter_h, filter_w, out_h, out_w] # 需要在 filter_h (dim=2) 和 filter_w (dim=3) 维度上取 max y = (patches + filter_expanded).amax(dim=(2, 3)) # [batch, C, out_h, out_w] if data_format == 'NHWC': y = y.permute(0, 2, 3, 1) # NCHW -> NHWC return y

6. 额外信息

算子调用示例

import torch import cann_bench x = torch.randn(2, 64, 64, 64, dtype=torch.float16, device="npu") # NHWC: [N, H, W, C] filter = torch.randn(3, 3, 64, dtype=torch.float16, device="npu") # [filter_h, filter_w, C] y = cann_bench.dilation2_d(x, filter, strides=[1, 1, 1, 1], rates=[1, 1, 1, 1], padding_mode='SAME', pads=[0, 0, 0, 0], ceil_mode=False, data_format='NHWC')

【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