aclnnConvolution

产品支持情况

产品	是否支持
Ascend 950PR/Ascend 950DT	√
Atlas A3 训练系列产品/Atlas A3 推理系列产品	√
Atlas A2 训练系列产品/Atlas A2 推理系列产品	√
Atlas 200I/500 A2 推理产品	√
Atlas 推理系列产品	√
Atlas 训练系列产品	×

功能说明

接口功能：实现卷积功能，支持1D卷积、2D卷积、3D卷积，同时支持转置卷积、空洞卷积、分组卷积。对于入参transposed = True时，表示使用转置卷积或者分数步长卷积。它可以看作是普通卷积的梯度或者逆向操作，即从卷积的输出形状恢复到输入形状，同时保持与卷积相容的连接模式。它的参数和普通卷积类似，包括输入通道数、输出通道数、卷积核大小、步长、填充、输出填充、分组、偏置、扩张等。
计算公式：

假定输入（input）的shape是 $C_{\text{in}}, D, H, W)$ ，(weight)的shape是 $(Cout,Cin,Kd,Kh,Kw)(C_{\text{out}}, C_{\text{in}}, K_d, K_h, K_w)$ ，输出（output）的shape是 $C_{\text{out}}, D_{\text{out}}, H_{\text{out}}, W_{\text{out}})$ ，其中 $N$ 表示批次大小（batch size）， $C$ 是通道数， $D$ 、 $H$ 和 $W$ 分别是样本的深度、高度和宽度， $K_d$ 、 $K_h$ 和 $K_w$ 分别是卷积核的深度、高度和宽度，那输出将被表示为：

$output(Ni,Coutj,Dout,Hout,Wout)=∑k=0Cin−1weight(Coutj,k)⋆input(Ni,k)+bias(Coutj)\text{output}(N_i, C_{\text{out}_j}, D_{\text{out}}, H_{\text{out}}, W_{\text{out}}) = \sum_{k = 0}^{C_{\text{in}} - 1} \text{weight}(C_{\text{out}_j}, k) \star \text{input}(N_i, k) + \text{bias}(C_{\text{out}_j})$

其中， $⋆\star$ 表示卷积计算，根据卷积输入的维度，卷积的类型（空洞卷积、分组卷积）而定。 $N$ 代表批次大小（batch size）， $C$ 代表通道数， $D$ 、 $H$ 和 $W$ 分别代表深度、高度和宽度，相应输出维度的计算公式如下：
- 对于入参transposed = False时：
  $Dout=[(D+2×padding[0]−dilation[0]×(Kd−1)−1)/stride[0]]+1Hout=[(H+2×padding[1]−dilation[1]×(Kh−1)−1)/stride[1]]+1Wout=[(W+2×padding[2]−dilation[2]×(Kw−1)−1)/stride[2]]+1D_{\text{out}}=[(D + 2 \times padding[0] - dilation[0] \times (K_d - 1) - 1 ) / stride[0]] + 1 \\ H_{\text{out}}=[(H + 2 \times padding[1] - dilation[1] \times (K_h - 1) - 1 ) / stride[1]] + 1 \\ W_{\text{out}}=[(W + 2 \times padding[2] - dilation[2] \times (K_w - 1) - 1 ) / stride[2]] + 1$
- 对于入参transposed = True时：
  $Dout=(D−1)×stride[0]−2×padding[0]+dilation[0]×(Kd−1)+outputPadding[0]+1Hout=(H−1)×stride[1]−2×padding[1]+dilation[1]×(Kh−1)+outputPadding[1]+1Wout=(W−1)×stride[2]−2×padding[2]+dilation[2]×(Kw−1)+outputPadding[2]+1D_{\text{out}}=(D - 1) \times \text{stride}[0] - 2 \times \text{padding}[0] + \text{dilation}[0] \times (K_d - 1) + \text {outputPadding}[0] + 1 \\ H_{\text{out}}=(H - 1) \times \text{stride}[1] - 2 \times \text{padding}[1] + \text{dilation}[1] \times (K_h - 1) + \text {outputPadding}[1] + 1 \\ W_{\text{out}}=(W - 1) \times \text{stride}[2] - 2 \times \text{padding}[2] + \text{dilation}[2] \times (K_w - 1) + \text {outputPadding}[2] + 1$

函数原型

每个算子分为两段式接口，必须先调用aclnnConvolutionGetWorkspaceSize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aclnnConvolution接口执行计算。

aclnnStatus aclnnConvolutionGetWorkspaceSize(
    const aclTensor       *input,
    const aclTensor       *weight,
    const aclTensor       *bias,
    const aclIntArray     *stride,
    const aclIntArray     *padding,
    const aclIntArray     *dilation,
    bool                   transposed,
    const aclIntArray     *outputPadding,
    const int64_t          groups,
    aclTensor             *output,
    int8_t                 cubeMathType,
    uint64_t              *workspaceSize,
    aclOpExecutor         **executor)

aclnnStatus aclnnConvolution(
    void            *workspace,
    const uint64_t   workspaceSize,
    aclOpExecutor   *executor,
    aclrtStream      stream)

aclnnConvolutionGetWorkspaceSize

参数说明

参数名	输入/输出	描述	使用说明	数据类型	数据格式	维度（shape）	非连续Tensor
input（aclTensor*）	输入	公式中的input，表示卷积输入。	支持空Tensor。数据类型需要与weight满足数据类型推导规则（参见互推导关系和约束说明）。	FLOAT、FLOAT16、BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN	NCL、NCHW、NCDHW	3-5	√
weight（aclTensor*）	输入	公式中的weight，表示卷积权重。	支持空Tensor。数据类型需要与input满足数据类型推导规则（参见互推导关系和约束说明）。	FLOAT、FLOAT16、BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN	NCL、NCHW、NCDHW	3-5	√
bias（aclTensor*）	输入	公式中的bias，表示卷积偏置。	无bias场景，可传入nullptr。当transposed=false时为一维且数值与weight第一维相等；当transposed=true时为一维且数值与weight.shape[1] * groups相等，format仅支持ND格式。	FLOAT、FLOAT16、BFLOAT16	ND、NCL、NCHW、NCDHW	1-5	√
stride（aclIntArray*）	输入	卷积扫描步长。	数组长度需等于input的维度减2，值应该大于0。	INT64	-	-	-
padding（aclIntArray*）	输入	对input的填充。	数组长度：conv1d非转置为1或2；conv1d转置为1；conv2d为2或4；conv3d为3。值应该大于等于0。	INT64	-	-	-
dilation（aclIntArray*）	输入	卷积核中元素的间隔。	数组长度需等于input的维度减2，值应该大于0。	INT64	-	-	-
transposed（bool）	输入	是否为转置卷积。	-	BOOL	-	-	-
outputPadding（aclIntArray*）	输入	转置卷积情况下，对输出所有边的填充。	非转置卷积情况下忽略该配置。数组长度需等于input的维度减2。值应大于等于0，且小于stride或dilation对应维度的值。	INT32	-	-	-
groups（int64_t）	输入	表示从输入通道到输出通道的块链接个数。	数值需要在[1,65535]的范围内，且满足groups*weight的C维度=input的C维度。	INT64	-	-	-
output（aclTensor*）	输出	公式中的out，表示卷积输出。	支持空Tensor。数据类型需要与input与weight推导之后的数据类型保持一致。通道数等于weight第一维，其他维度≥0。	FLOAT、FLOAT16、BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN	NCL、NCHW、NCDHW	3-5	√
cubeMathType（int8_t）	输入	用于判断Cube单元应该使用哪种计算逻辑进行运算。	如果输入的数据类型存在互推导关系，该参数默认对互推导后的数据类型进行处理。支持的枚举值如下： 0（KEEP_DTYPE）：保持输入数据类型进行计算。 1（ALLOW_FP32_DOWN_PRECISION）：允许FLOAT降低精度计算，提升性能。 2（USE_FP16）：使用FLOAT16精度进行计算。 3（USE_HF32）：使用HFLOAT32（混合精度）进行计算。	INT8	-	-	-
workspaceSize（uint64_t*）	输出	返回需要在Device侧申请的workspace大小。	-	-	-	-	-
executor（aclOpExecutor**）	输出	返回op执行器，包含算子计算流程。	-	-	-	-	-

返回值

aclnnStatus：返回状态码，具体参见aclnn返回码。

第一段接口完成入参校验，出现以下场景时报错：

返回值	错误码	描述
ACLNN_ERR_PARAM_NULLPTR	161001	传入的指针类型入参是空指针。
ACLNN_ERR_PARAM_INVALID	161002	input、weight、bias、output数据类型和数据格式不在支持的范围之内。
		input和output数据类型不一致；transposed=false时，支持input和output数据类型不一致，不会触发该类型报错。
		stride、padding、dilation、outputPadding输入shape不对。
		groups输入不对的情况。
		output的shape不满足infershape结果。
		outputPadding值不满足要求。
		input、weight、bias、output传入的空Tensor中部分维度为零的不满足要求。
		input空间尺度在padding操作后小于weight（经过dilation扩张（如存在dilation>1的情况））的空间尺度（非transpose模式下）。
		transpose模式下bias的shape不为1。
		stride、dilation小于0情况下不满足要求。
		当前处理器不支持卷积。
ACLNN_ERR_INNER_NULLPTR	561103	API内部校验错误，通常由于输入数据或属性的规格不在支持的范围之内导致。
ACLNN_ERR_RUNTIME_ERROR	361001	API调用npu runtime的接口异常，如SocVersion不支持。

aclnnConvolution

参数说明

参数名	输入/输出	描述
workspace	输入	在Device侧申请的workspace内存地址。
workspaceSize	输入	在Device侧申请的workspace大小，由第一段接口aclnnConvolutionGetWorkspaceSize获取。
executor	输入	op执行器，包含了算子计算流程。
stream	输入	指定执行任务的Stream。

返回值

aclnnStatus：返回状态码，具体参见aclnn返回码。

约束说明

确定性计算
- aclnnConvolution默认确定性实现。

约束类型	Atlas A2 训练系列产品/Atlas A2 推理系列产品、Atlas A3 训练系列产品/Atlas A3 推理系列产品	Atlas 200I/500 A2 推理产品	Atlas 推理系列产品	Ascend 950PR/Ascend 950DT
input、weight	input、weight数据类型不支持HIFLOAT8、FLOAT8_E4M3FN。 conv2d和conv3d transposed=true场景，weight H、W的大小应该在[1,255]范围内，其他维度应该大于等于1。 conv1d transposed=true场景，weight L的大小应该在[1,255]范围内，其他维度应该大于等于1。 conv3d正向场景，weight H、W的大小应该在[1,511]范围内。	input、weight数据类型不支持HIFLOAT8、FLOAT8_E4M3FN。	input、weight数据类型不支持BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN。 input的H、W维度大小应小于等于4096，weight的D、H、W维度大小应小于等于255。	input、weight数据类型支持FLOAT、FLOAT16、BFLOAT16、HIFLOAT8。 transposed=true时：input数据类型额外支持FLOAT8_E4M3FN，当input数据类型为HIFLOAT8或FLOAT8_E4M3FN时，output和weight的数据类型必须与input一致。支持N维度大于等于0，其他各个维度的大小应该大于等于1。weight数据类型额外支持FLOAT8_E4M3FN，所有维度的大小应该大于等于0（当D、H或W维度为0时，要求推导出的output对应维度也为0）。 transposed=false时：当input数据类型为HIFLOAT8时，weight的数据类型必须与input一致。支持N维度大于等于0，支持D、H、W维度大于等于0（等于0的场景仅在output推导的D、H、W维度也等于0时支持），支持C维度大于等于0（等于0的场景仅在output推导的N、C、D、H、W其中某一维度等于0时支持）。weight的H、W的大小应该在[1,511]的范围内。N维度大小应该大于等于0（等于0的场景仅在bias、output的N维度也等于0时支持）。C维度大小的支持情况与input的C维度一致。
bias	bias数据类型不支持HIFLOAT8、FLOAT8_E4M3FN。数据类型与input、weight一致。 conv1d、conv2d、conv3d正向场景下bias会转成FLOAT参与计算。	bias数据类型不支持HIFLOAT8、FLOAT8_E4M3FN。数据类型与input、weight一致。 conv1d、conv2d、conv3d正向场景下bias会转成FLOAT参与计算。	bias数据类型不支持BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN。Conv3D正向场景仅支持FLOAT16。	bias数据类型不支持HIFLOAT8、FLOAT8_E4M3FN。 transposed=true时：当input和weight数据类型是HIFLOAT8和FLOAT8_E4M3FN时，不支持带bias。 transposed=false时：当input和weight数据类型是HIFLOAT8时，bias数据类型会转成FLOAT参与计算。
stride	conv3d transposed=true场景，strideD应该大于等于1，strideH、strideW应该在[1,63]的范围内。conv1d和conv2d transposed=true场景，各个值都应该大于等于1。conv3d正向场景，strideH和strideW应该在[1,63]的范围内。			conv3d transposed=true场景，strideD、strideH、strideW应该大于等于1。conv3d transposed=false场景，strideH、strideW应该在[1,63]的范围内，strideD应该在[1, 1000000]的范围内。
padding	conv3d transposed=true场景，paddingD应该大于等于0，paddingH、paddingW应该在[0,255]的范围内。conv1d和conv2d transposed=false场景，各个值都应该在[0,255]的范围内。conv3d正向场景，paddingH和paddingW应该在[0,255]的范围内。			conv3d transposed=true场景，paddingD、paddingH、paddingW应该大于等于0。conv3d transposed=false场景，paddingH、paddingW应该在[0,255]范围内，paddingD应该在[0, 1000000]的范围内。
dilation	conv1d、conv2d和conv3d transposed=true场景，各个值都应该在[1,255]的范围内。conv3d正向场景，dilationH和dilationW应该在[1,255]的范围内。			conv3d transposed=true场景，dilationD、dilationH、dilationW应该大于等于1。conv3d transposed=false场景，dilationH、dilationW应该在[1,255]范围内，dilationD应该在[1, 1000000]的范围内。
cubeMathType	为0（KEEP_DTYPE）时，当输入是FLOAT暂不支持。为1（ALLOW_FP32_DOWN_PRECISION）时，当输入是FLOAT允许转换为HFLOAT32计算。为2（USE_FP16）时，当输入是BFLOAT16不支持该选项。为3（USE_HF32）时，当输入是FLOAT转换为HFLOAT32计算。	为0(KEEP_DTYPE)时，当输入是FLOAT暂不支持。为1(ALLOW_FP32_DOWN_PRECISION)时，当输入是FLOAT允许转换为HFLOAT32计算。为2(USE_FP16)时，当输入是BFLOAT16不支持该选项。为3(USE_HF32)时，当输入是FLOAT转换为HFLOAT32计算。	为0(KEEP_DTYPE)时，当输入是FLOAT暂不支持。为1(ALLOW_FP32_DOWN_PRECISION)时，当输入是FLOAT允许转换为FLOAT16计算。为2(USE_FP16)时，当输入是BFLOAT16不支持该选项。为3(USE_HF32)时暂不支持。	为1（ALLOW_FP32_DOWN_PRECISION）时，当输入是FLOAT允许转换为HFLOAT32计算。为2（USE_FP16）时，当输入是BFLOAT16不支持该选项。为3（USE_HF32）时，当输入是FLOAT转换为HFLOAT32计算。
其他约束	input, weight, bias中每一组tensor的每一维大小都应不大于1000000。	当前仅支持2D卷积且仅支持transposed等于false，暂不支持1D、3D卷积。 input, weight, bias中每一组tensor的每一维大小都应不大于1000000。	支持1D和2D卷积，3D卷积正向场景仅支持FLOAT16。 input, weight, bias中每一组tensor的每一维大小都应不大于1000000。	transposed为true的场景，支持1D、2D和3D卷积，支持空Tensor，此时padding区域梯度的计算行为取决于输入shape，根据算子优化策略的不同，padding区域梯度可能直接置0。

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编译与运行样例。

#include <iostream>
#include <memory>
#include <vector>
#include "acl/acl.h"
#include "aclnnop/aclnn_convolution.h"

#define CHECK_RET(cond, return_expr) \
  do {                               \
    if (!(cond)) {                   \
      return_expr;                   \
    }                                \
  } while (0)

#define CHECK_FREE_RET(cond, return_expr) \
  do {                                    \
    if (!(cond)) {                        \
      Finalize(deviceId, stream);         \
      return_expr;                        \
    }                                     \
  } while (0)

#define LOG_PRINT(message, ...)      \
  do {                               \
    printf(message, ##__VA_ARGS__);  \
  } while (0)

int64_t GetShapeSize(const std::vector<int64_t>& shape) {
  int64_t shape_size = 1;
  for (auto i: shape) {
    shape_size *= i;
  }
  return shape_size;
}

int Init(int32_t deviceId, aclrtStream* stream) {
  // 固定写法，资源初始化
  auto ret = aclInit(nullptr);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclInit failed. ERROR: %d\n", ret); return ret);
  ret = aclrtSetDevice(deviceId);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSetDevice failed. ERROR: %d\n", ret); return ret);
  ret = aclrtCreateStream(stream);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtCreateStream failed. ERROR: %d\n", ret); return ret);
  return 0;
}

template <typename T>
int CreateAclTensor(const std::vector<T>& hostData, const std::vector<int64_t>& shape, void** deviceAddr,
                    aclDataType dataType, aclTensor** tensor) {
  auto size = GetShapeSize(shape) * sizeof(T);
  // 调用aclrtMalloc申请device侧内存
  auto ret = aclrtMalloc(deviceAddr, size, ACL_MEM_MALLOC_HUGE_FIRST);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMalloc failed. ERROR: %d\n", ret); return ret);

  // 调用aclrtMemcpy将host侧数据拷贝到device侧内存上
  ret = aclrtMemcpy(*deviceAddr, size, hostData.data(), size, ACL_MEMCPY_HOST_TO_DEVICE);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtMemcpy failed. ERROR: %d\n", ret); return ret);

  // 计算连续tensor的strides
  std::vector<int64_t> strides(shape.size(), 1);
  for (int64_t i = shape.size() - 2; i >= 0; i--) {
    strides[i] = shape[i + 1] * strides[i + 1];
  }

  // 调用aclCreateTensor接口创建aclTensor
  *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0, aclFormat::ACL_FORMAT_NCHW,
                            shape.data(), shape.size(), *deviceAddr);
  return 0;
}

void Finalize(int32_t deviceId, aclrtStream& stream)
{
  aclrtDestroyStream(stream);
  aclrtResetDevice(deviceId);
  aclFinalize();
}

int aclnnConvolutionTest(int32_t deviceId, aclrtStream& stream)
{
  auto ret = Init(deviceId, &stream);
  // check根据自己的需要处理
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("Init acl failed. ERROR: %d\n", ret); return ret);

  // 2. 构造输入与输出，需要根据API的接口自定义构造
  std::vector<int64_t> shapeInput = {2, 2, 2, 2};
  std::vector<int64_t> shapeWeight = {1, 2, 1, 1};
  std::vector<int64_t> shapeResult = {2, 1, 2, 2};
  std::vector<int64_t> convStrides;
  std::vector<int64_t> convPads;
  std::vector<int64_t> convOutPads;
  std::vector<int64_t> convDilations;

  void* deviceDataA = nullptr;
  void* deviceDataB = nullptr;
  void* deviceDataResult = nullptr;

  aclTensor* input = nullptr;
  aclTensor* weight = nullptr;
  aclTensor* result = nullptr;
  std::vector<float> inputData(GetShapeSize(shapeInput), 1);
  std::vector<float> weightData(GetShapeSize(shapeWeight), 1);
  std::vector<float> outputData(GetShapeSize(shapeResult), 1);
  convStrides = {1, 1, 1, 1};
  convPads = {0, 0, 0, 0};
  convOutPads = {0, 0, 0, 0};
  convDilations = {1, 1, 1, 1};

  // 创建input aclTensor
  ret = CreateAclTensor(inputData, shapeInput, &deviceDataA, aclDataType::ACL_FLOAT, &input);
  std::unique_ptr<aclTensor, aclnnStatus (*)(const aclTensor *)> inputTensorPtr(input, aclDestroyTensor);
  std::unique_ptr<void, aclError (*)(void *)> deviceDataAPtr(deviceDataA, aclrtFree);
  CHECK_FREE_RET(ret == ACL_SUCCESS, return ret);

  // 创建weight aclTensor
  ret = CreateAclTensor(weightData, shapeWeight, &deviceDataB, aclDataType::ACL_FLOAT, &weight);
  std::unique_ptr<aclTensor, aclnnStatus (*)(const aclTensor *)> weightTensorPtr(weight, aclDestroyTensor);
  std::unique_ptr<void, aclError (*)(void *)> deviceDataBPtr(deviceDataB, aclrtFree);
  CHECK_FREE_RET(ret == ACL_SUCCESS, return ret);

  // 创建out aclTensor
  ret = CreateAclTensor(outputData, shapeResult, &deviceDataResult, aclDataType::ACL_FLOAT, &result);
  std::unique_ptr<aclTensor, aclnnStatus (*)(const aclTensor *)> outputTensorPtr(result, aclDestroyTensor);
  std::unique_ptr<void, aclError (*)(void *)> deviceDataResultPtr(deviceDataResult, aclrtFree);
  CHECK_FREE_RET(ret == ACL_SUCCESS, return ret);

  aclIntArray *strides = aclCreateIntArray(convStrides.data(), 2);
  std::unique_ptr<aclIntArray, aclnnStatus (*)(const aclIntArray *)> stridesPtr(strides, aclDestroyIntArray);
  CHECK_FREE_RET(strides != nullptr, return ACL_ERROR_INTERNAL_ERROR);
  aclIntArray *pads = aclCreateIntArray(convPads.data(), 2);
  std::unique_ptr<aclIntArray, aclnnStatus (*)(const aclIntArray *)> padsPtr(pads, aclDestroyIntArray);
  CHECK_FREE_RET(pads != nullptr, return ACL_ERROR_INTERNAL_ERROR);
  aclIntArray *outPads = aclCreateIntArray(convOutPads.data(), 2);
  std::unique_ptr<aclIntArray, aclnnStatus (*)(const aclIntArray *)> outPadsPtr(outPads, aclDestroyIntArray);
  CHECK_FREE_RET(outPads != nullptr, return ACL_ERROR_INTERNAL_ERROR);
  aclIntArray *dilations = aclCreateIntArray(convDilations.data(), 2);
  std::unique_ptr<aclIntArray, aclnnStatus (*)(const aclIntArray *)> dilationsPtr(dilations, aclDestroyIntArray);
  CHECK_FREE_RET(dilations != nullptr, return ACL_ERROR_INTERNAL_ERROR);

  // 3. 调用CANN算子库API，需要修改为具体的API
  uint64_t workspaceSize = 0;
  aclOpExecutor* executor;
  // 调用aclnnConvolution第一段接口
  ret = aclnnConvolutionGetWorkspaceSize(input, weight, nullptr, strides, pads, dilations, false, outPads, 1, result, 1,
                                         &workspaceSize, &executor);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnConvolutionGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
  // 根据第一段接口计算出的workspaceSize申请device内存
  void* workspaceAddr = nullptr;
  std::unique_ptr<void, aclError (*)(void *)> workspaceAddrPtr(nullptr, aclrtFree);
  if (workspaceSize > 0) {
    ret = aclrtMalloc(&workspaceAddr, workspaceSize, ACL_MEM_MALLOC_HUGE_FIRST);
    CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
    workspaceAddrPtr.reset(workspaceAddr);
  }
  // 调用aclnnConvolution第二段接口
  ret = aclnnConvolution(workspaceAddr, workspaceSize, executor, stream);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnConvolution failed. ERROR: %d\n", ret); return ret);

  // 4.（固定写法）同步等待任务执行结束
  ret = aclrtSynchronizeStream(stream);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("aclrtSynchronizeStream failed. ERROR: %d\n", ret); return ret);

  // 5. 获取输出的值，将device侧内存上的结果拷贝至host侧，需要根据具体API的接口定义修改
  auto size = GetShapeSize(shapeResult);
  std::vector<float> resultData(size, 0);
  ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), deviceDataResult,
                    size * sizeof(float), ACL_MEMCPY_DEVICE_TO_HOST);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("copy result from device to host failed. ERROR: %d\n", ret); return ret);
  for (int64_t i = 0; i < size; i++) {
    LOG_PRINT("result[%ld] is: %f\n", i, resultData[i]);
  }

  return ACL_SUCCESS;
}

int main() {
  // 1.（固定写法）device/stream初始化，参考acl API手册
  // 根据自己的实际device填写deviceId
  int32_t deviceId = 0;
  aclrtStream stream;
  auto ret = aclnnConvolutionTest(deviceId, stream);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnConvolutionTest failed. ERROR: %d\n", ret); return ret);

  Finalize(deviceId, stream);
  return 0;
}