aclnnChamferDistanceBackward

支持的产品型号

• [object Object]Atlas A2 训练系列产品/Atlas 800I A2 推理产品[object Object]。

接口原型

每个算子分为undefined，必须先调用“aclnnChamferDistanceBackwardGetWorkspaceSize”接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用“aclnnChamferDistanceBackward”接口执行计算。

• aclnnStatus aclnnChamferDistanceBackwardGetWorkspaceSize(const aclTensor* xyz1, const aclTensor* xyz2, const aclTensor* idx1, const aclTensor* idx2, const aclTensor* gradDist1, const aclTensor* gradDist2, aclTensor* gradXyz1, aclTensor* gradXyz2, uint64_t *workspaceSize, aclOpExecutor **executor)
• aclnnStatus aclnnChamferDistanceBackward(void *workspace, uint64_t workspaceSize, aclOpExecutor *executor, aclrtStream stream)

功能描述

• 功能描述： ChamferDistance(倒角距离)的反向算子，根据正向的输入对输出的贡献及初始梯度求出输入对应的梯度。

• 计算公式：

  假设有两个点集： xyz1=[B,N,2], xyz2=[B,M,2]

  • ChamferDistance(倒角距离)正向算子计算公式为：

    $dist1_i=Min((x_{1_i}−x_2)^2+(y_{1_i}−y_2)^2)，x_2, y_2∈xyz2$ $dist2_i=Min((x_{2_i}-x_1)^2+(y_{2_i}-y_1)^2)，x_1,y_1∈xyz1$

  • 反向算子即为对该公式求导，计算公式为：

    • $dist1_i 对x_{1_i}$的导数$=2*grad\_dist1*(x_{1_i}-x_2)$

      其中：$x_{1_i}∈xyz1$，$x_2$是根据正向输出的id1的索引值从xyz2中取出距离最小的点的横坐标，单点求导公式如上，因为单点梯度更新的位置是连续的，所以考虑多点并行计算。

    • $dist1_i 对y_{1_i}$的导数$=2*grad\_dist1*(y_{1_i}-y_2)$

      其中$y_{1_i}∈xyz1$，$y_2$是根据正向输出的id1的索引值从xyz2中取出距离最小的点的纵坐标，单点求导公式如上，因为单点梯度更新的位置是连续的，所以也可以考虑多点并行计算。

    • $dist1_i 对x_2$的导数$=-2*grad\_dist1*(x_{1_i}-x_2)$

      其中$x_{1_i}∈xyz1，x_2$是根据正向输出的id1的索引值从xyz2中取出距离最小的点的横坐标，单点求导公式如上，因为单点梯度需要根据最小距离值对应的索引值去更新，所以这块无法并行只能单点计算。

    • $dist1_i 对y_2$的导数$=-2*grad\_dist1*(y_{1_i}-y_2)$

      其中$y_{1_i}∈xyz1，y_2$是根据正向输出的id1的索引值从xyz2中取出距离最小的点的纵坐标，单点求导公式如上，因为单点梯度需要根据最小值对应的索引值去更新，所以这块也无法并行只能单点计算。

  对应$dist2_i$对$x_{2_i} 、x_1、y_{2_i} 、y_1$的导数和上述过程类似，这边不再赘述。

  最终计算公式如下，i∈[0,n)：

  $grad_xyz1[2*i] = 2*grad\_dist_1*(x_{1_i}-x_2) - 2*grad\_dist_1*(x_{1_i}-x_2)$

  $grad_xyz1[2*i+1] = 2*grad\_dist1*(y_{1_i}-y_2) - 2*grad\_dist1*(y_{1_i}-y_2)$

  $grad_xyz2[2*i] = 2*grad\_dist2*(x_{1_i}-x_2) - 2*grad\_dist2*(x_{1_i}-x_2)$

  $grad_xyz2[2*i+1] = 2*grad\_dist2*(y_{1_i}-y_2) - 2*grad\_dist2*(y_{1_i}-y_2)$

aclnnChamferDistanceBackwardGetWorkspaceSize

• 参数说明：

  • xyz1（aclTensor*, 计算输入）：算子正向输入的点集1的坐标，Device侧的aclTensor，数据类型支持FLOAT、FLOAT16，且数据类型与xyz2、grad_dist1、grad_dist2、grad_xyz1、grad_xyz2一致，shape为（B,N,2），undefined支持ND
  • xyz2（aclTensor*, 计算输入）：算子正向输入的点集2的坐标，Device侧的aclTensor，数据类型支持FLOAT、FLOAT16，且数据类型与xyz2、grad_dist1、grad_dist2、grad_xyz1、grad_xyz2一致，shape为（B,N,2），undefined支持ND
  • idx1（aclTensor*, 计算输入）：算子正向输出的距离xyz1最小距离的xyz2中的点的索引tensor，Device侧的aclTensor，数据类型支持INT32，且数据类型与idx2一致，shape为（B,N），undefined支持ND
  • idx2（aclTensor*, 计算输入）：算子正向输出的距离xyz2最小距离的xyz1中的点的索引tensor，Device侧的aclTensor，数据类型支持INT32，且数据类型与idx1一致，shape为（B,N），undefined支持ND
  • gradDist1（aclTensor*, 计算输入）：正向输出dist1的反向梯度，也是反向算子的初始梯度，Device侧的aclTensor，数据类型支持FLOAT、FLOAT16，且数据类型与xyz2、xyz1、grad_dist2、grad_xyz1、grad_xyz2一致，shape为（B,N），undefined支持ND
  • gradDist2（aclTensor*, 计算输出）：正向输出dist2的反向梯度，也是反向算子的初始梯度，Device侧的aclTensor，数据类型支持FLOAT、FLOAT16，且数据类型与xyz2、xyz1、grad_dist2、grad_xyz1、grad_xyz2一致，shape为（B,N），undefined支持ND
  • gradXyz1（aclTensor*, 计算输出）：梯度更新之后正向算子输入xyz1对应的梯度，Device侧的aclTensor，数据类型支持FLOAT、FLOAT16，且数据类型与xyz1、xyz2、grad_dist1、grad_dist2、grad_xyz2一致，shape为（B,N,2），undefined支持ND
  • gradXyz2（aclTensor*, 计算输出）：正向输出dist2的反向梯度，也是反向算子的初始梯度，Device侧的aclTensor，数据类型支持FLOAT、FLOAT16，且数据类型与xyz1、xyz2、grad_dist1、grad_dist2、grad_xyz1一致，shape为（B,N,2），undefined支持ND
  • workspaceSize（uint64_t*, 出参）：返回需要在Device侧申请的workspace大小。
  • executor（aclOpExecutor**, 出参）：返回op执行器，包含了算子计算流程。

• 返回值：

  aclnnStatus：返回状态码，具体参见undefined。

  [object Object]

aclnnChamferDistanceBackward

• 参数说明：

  • workspace（void*, 入参）：在Device侧申请的workspace内存地址。
  • workspaceSize（uint64_t, 入参）：在Device侧申请的workspace大小，由第一段接口aclnnChamferDistanceBackwardGetWorkspaceSize获取。
  • executor（aclOpExecutor*, 入参）：op执行器，包含了算子计算流程。
  • stream（aclrtStream, 入参）：指定执行任务的AscendCL Stream流。

• 返回值：

  aclnnStatus：返回状态码，具体参见undefined。

约束与限制

无

调用示例

示例代码如下，仅供参考，具体编译和执行过程请参考undefined。