关键概念

AIPP（Artificial Intelligence Pre-Processing）AI预处理，是昇腾AI处理器提供的硬件图像预处理模块，包括色域转换，图像归一化（减均值/乘系数）和抠图（指定抠图起始点，抠出神经网络需要大小的图片）等功能。

Atlas 200/300/500 推理产品、Atlas 训练系列产品场景：DVPP模块输出的图片多为对齐后的YUV420SP类型，不支持输出RGB图片；如果模型需要RGB格式的图片，业务流需要使用AIPP模块转换对齐后YUV420SP类型图片的格式，并抠出模型需要的输入图片。

有损图像颜色编码格式，常用为YUV420SP_UV、YUV420SP_VU两种格式。

存储调优后的Schedule，在后续算子编译中直接使用。

评估器，调优过程中如果没有命中知识库，则通过cost model评估tiling空间中tiling的优劣，选择最优tiling数据。

Format为数据的物理排布格式，定义了解读数据的维度，比如1D、2D、3D、4D、5D等。

• NCHW和NHWC

  在深度学习框架中，多维数据通过多维数组存储，比如卷积神经网络的特征图（Feature Map）通常用四维数组保存，即4D，4D格式解释如下：

  • N：Batch数量，例如图像的数目。
  • H：Height，特征图高度，即垂直高度方向的像素个数。
  • W：Width，特征图宽度，即水平宽度方向的像素个数。
  • C：Channels，特征图通道，例如彩色RGB图像的Channels为3。

  由于数据只能线性存储，因此这四个维度有对应的顺序。不同深度学习框架会按照不同的顺序存储特征图数据，比如Caffe，排列顺序为[Batch, Channels, Height, Width]，即NCHW；TensorFlow中，排列顺序为[Batch, Height, Width, Channels]，即NHWC。

  如图1所示，以一张格式为RGB的图片为例，NCHW中，C排列在外层，每个通道内，像素紧挨在一起，实际存储的是“RRRRRRGGGGGGBBBBBB”，即同一通道的所有像素值顺序存储在一起；而NHWC中C排列在最内层，每个通道内，像素间隔挨在一起，实际存储的则是“RGBRGBRGBRGBRGBRGB”，即多个通道的同一位置的像素值顺序存储在一起。

  图1 NCHW和NHWC
  
• NC1HWC0

  昇腾AI处理器中，为了提高通用矩阵乘法（GEMM）运算数据块的访问效率，所有张量数据统一采用NC1HWC0的五维数据格式，如下图所示。

  图2 NC1HWC0
  

  其中C0与微架构强相关，等于AI Core中矩阵计算单元的大小；C1=(C+C0-1)/C0，如果结果不整除，向上取整。

  例如：NHWC -> NC1HWC0的转换过程为：

  1. 将NHWC数据在C维度进行分割，变成C1份NHWC0。
  2. 将C1份NHWC0在内存中连续排列，由此变成NC1HWC0。
  NHWC->NC1HWC0的转换场景示例：

  1. 首层RGB图像通过AIPP转换为NC1HWC0格式。
  2. 中间层Feature Map每层输出为NC1HWC0格式，在搬运过程中需要重排。