94284447创建于 3 天前历史提交

aclnnQuantConvolutionWeightNz

📄 查看源码

产品支持情况

Ascend 950PR/Ascend 950DT：支持

Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持

Atlas A2 训练系列产品/Atlas A2 推理系列产品：支持

Atlas 200I/500 A2 推理产品：不支持

Atlas 推理系列产品：不支持

Atlas 训练系列产品：不支持

功能说明

接口功能：完成per-channel量化的3D卷积计算，weight仅支持FRACTAL_Z_3D格式，其中卷积计算过程与aclnnConvolution接口一致。
计算公式：

假定输入（input）的shape是 $C_{\text{in}}, D, H, W)$ ，weight的原shape是 $(Cout,Cin,Kd,Kh,Kw)(C_{\text{out}}, C_{\text{in}}, K_d, K_h, K_w)$ ，scale的shape是 $(Cout)(C_{\text{out}})$ ，bias的shape是 $CoutC_{\text{out}}$ ，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：
$output(Ni,Coutj,Dout,Hout,Wout)=[∑k=0Cin−1weight(Coutj,k)⋆input(Ni,k)]×scale(Coutj)+bias(Coutj)\text{output}(N_i, C_{\text{out}_j}, D_{\text{out}}, H_{\text{out}}, W_{\text{out}}) = \left[\sum_{k = 0}^{C_{\text{in}} - 1} \text{weight}(C_{\text{out}_j}, k) \star \text{input}(N_i, k)\right] \times \text{scale}(C_{\text{out}_j}) + \text{bias}(C_{\text{out}_j})$
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：
$Dout=[(D+2×padding[0]−dilation[0]×(Kd−1)−1)/stride[0]]+1Hout=[(H+2×padding[1]−dilation[1]×(Kh−1)−1)/stride[1]]+1Wout=[(W+2×padding[2]−dilation[2]×(Kw−1)−1)/stride[2]]+1D_{\text{out}}=[(D + 2 \times padding[0] - dilation[0] \times (K_d - 1) - 1 ) / stride[0]] + 1 \\ H_{\text{out}}=[(H + 2 \times padding[1] - dilation[1] \times (K_h - 1) - 1 ) / stride[1]] + 1 \\ W_{\text{out}}=[(W + 2 \times padding[2] - dilation[2] \times (K_w - 1) - 1 ) / stride[2]] + 1$

函数原型

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

aclnnStatus aclnnQuantConvolutionWeightNzGetWorkspaceSize(
    const aclTensor       *input,
    const aclTensor       *weight,
    const aclTensor       *bias,
    const aclTensor       *scale,
    const aclTensor       *offset,
    const aclIntArray     *stride,
    const aclIntArray     *padding,
    const aclIntArray     *dilation,
    bool                   transposed,
    const aclIntArray     *outputPadding,
    int64_t                groups,
    int32_t                offsetx,
    const char            *roundMode,
    aclTensor             *output,
    uint64_t              *workspaceSize,
    aclOpExecutor         **executor)

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

aclnnQuantConvolutionWeightNzGetWorkspaceSize

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。	input、weight原shape、output的维度需要相同。不支持空Tensor。数据类型与weight的数据类型需满足数据类型推导规则（参见互推导关系）。 N≥0，C≥1，D≥0，H≥0，W≥0。	INT8	NCDHW	5	√
weight（aclTensor*）	输入	公式中的weight，表示卷积权重。	其原shape的C维度需要与input的C维度保持一致。不支持空Tensor。数据类型与input的数据类型需满足数据类型推导规则（参见互推导关系）。 FRACTAL_Z_3D是3D卷积权重格式。格式各个维度表示：（D * C1 * H * W，N1，N0，C0），其中D，H，W为transdata前的NCDHW。N0=16，C0=32，N1与N满足关系：N1=CEIL(N,N0)。所有维度≥1。	INT8	Fractal_Z_3D	4	√
bias（aclTensor*）	输入	公式中的bias，表示卷积偏置。	一维且与weight原shape第一维相等。	BFLOAT16、FLOAT16、FLOAT	ND	1	√
scale（aclTensor*）	输入	公式中的scale，表示量化参数。	一维且与weight原shape第一维相等。	FLOAT	ND	1	√
offset（aclTensor*）	输入	预留量化参数。	目前暂不支持，传入空指针nullptr即可。	-	-	-	-
stride（aclIntArray*）	输入	卷积扫描步长。	数组长度=3。 strideH和strideW应在 [1,63] 范围内。 conv3d场景下strideD应在 [1,1000000] 范围内。	INT64	-	-	-
padding（aclIntArray*）	输入	对input的填充。	值应≥0。 paddingH和paddingW应在 [0,255] 范围内。 conv3d场景下paddingD应在 [0,1000000] 范围内。	INT64	-	-	-
dilation（aclIntArray*）	输入	卷积核中元素的间隔。	值应>0。 dilationH和dilationW应在 [1,255] 范围内。 conv3d场景下dilationD应在 [1,1000000] 范围内。	INT64	-	-	-
transposed（bool）	输入	预留参数。表示是否为转置量化卷积。	目前暂不支持，传入false即可。	BOOL	-	-	-
outputPadding（aclIntArray*）	输入	预留参数。表示转置卷积情况下，对输出所有边的填充。	非转置卷积情况下，忽略该属性配置。目前暂不支持，传入空指针nullptr即可。	INT64	-	-	-
groups（int64_t）	输入	表示从输入通道到输出通道的块链接个数。	值=1	INT64	-	-	-
offsetx（int32_t）	输入	表示量化因子。	[-128,127] 或0。	INT32	-	-	-
roundMode（char*）	输入	表示取整模式。	rint、round或nullptr。	CHAR*	-	-	-
output（aclTensor*）	输出	公式中的output，表示卷积输出。	其shape满足卷积的推导规则。不支持空Tensor输出。通道数等于weight原shape第一维，其他维度≥0。	BFLOAT16、FLOAT16	NCDHW	5	√
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、scale、offset、output数据类型和数据格式不在支持的范围之内。
		stride、padding、dilation输入shape不对。
		groups输入不对的情况。
		scale和bias输入shape不对。
		output的shape不满足infershape结果。
		传入tensor中任意维度为零的均不满足要求。
		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。
		weight和input通道数不满足要求。
		weight的转化前后shape不满足转化关系。
		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。

aclnnQuantConvolutionWeightNz

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aclnnQuantConvolutionWeightNzGetWorkspaceSize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
- aclnnQuantConvolutionWeightNz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
input、weight	-
bias	-
scale	-
padding	padding的数组长度需要等于3。
groups	groups数值必须为1。
offsetx	offsetx暂不支持，传入0值即可。
roundMode	roundMode暂不支持，传入空指针nullptr。
output	-
其他约束	算子仅支持在推理场景下调用。仅支持正向三维卷积。 input, weight原shape, bias, scale中每一组tensor的每一维大小都应小于1000000。

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。

不同产品型号请参考使用不同的main函数。

示例中通过aclTensor的视图/存储格式设置接口构造FRACTAL_Z_3D格式的weight，依赖头文件"aclnn/opdev/common_types.h"，编译时C++标准需为C++14及以上（如add_compile_options(-std=c++17)）。

#include <iostream>
#include <memory>
#include <vector>
#include "acl/acl.h"
#include "aclnn/opdev/common_types.h"
#include "aclnnop/aclnn_npu_format_cast.h"
#include "aclnnop/aclnn_quant_convolution.h"

// aclnn/opdev/common_types.h中已定义同名宏，需先取消定义，避免宏重定义告警
#undef CHECK_RET
#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_NCDHW,
                            shape.data(), shape.size(), *deviceAddr);
  return 0;
}

template <typename T>
int CreateAclTensorWithFormat(const std::vector<T>& hostData, const std::vector<int64_t>& shape, int64_t** storageShape, uint64_t* storageShapeSize, void** deviceAddr,
                              aclDataType dataType, aclTensor** tensor, aclFormat format) {
    auto size = hostData.size() * 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];
    }

    *tensor = aclCreateTensor(shape.data(), shape.size(), dataType, strides.data(), 0,
                                format, *storageShape, *storageShapeSize, *deviceAddr);
    return 0;
}

template <typename T>
int CreateAclTensorND(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_ND,
                            shape.data(), shape.size(), *deviceAddr);
  return 0;
}

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

int aclnnQuantConvolutionWeightNzTest(int32_t deviceId, aclrtStream& stream, std::vector<aclDataType> dtypesInfo)
{
  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, 32, 32, 32};
  std::vector<int64_t> shapeWeight = {2, 2, 3, 3, 3};
  std::vector<int64_t> shapeScale = {2};
  std::vector<int64_t> shapeBias = {2};
  std::vector<int64_t> shapeResult = {2, 2, 32, 32, 32};
  std::vector<int64_t> convStrides;
  std::vector<int64_t> convPads;
  std::vector<int64_t> convDilations;

  void* deviceDataA = nullptr;
  void* deviceDataB = nullptr;
  void* deviceDataBNz = nullptr;
  void* deviceDataScale = nullptr;
  void* deviceDataBias = nullptr;
  void* deviceDataResult = nullptr;

  aclTensor* input = nullptr;
  aclTensor* weight = nullptr;
  aclTensor* weightNz = nullptr;
  aclTensor* scale= nullptr;
  aclTensor* bias= nullptr;
  aclTensor* result = nullptr;
  std::vector<int8_t> inputData(GetShapeSize(shapeInput), 1);
  std::vector<int8_t> weightData(GetShapeSize(shapeWeight), 1);
  std::vector<float> biasData(GetShapeSize(shapeBias), 1);
  std::vector<float> scaleData(GetShapeSize(shapeScale), 1);
  std::vector<uint16_t> outputData(GetShapeSize(shapeResult), 1);
  convStrides = {1, 1, 1};
  convPads = {1, 1, 1};
  convDilations = {1, 1, 1};
  aclDataType inputDtype = dtypesInfo[0];
  aclDataType weightDtype = dtypesInfo[1];
  aclDataType biasDtype = dtypesInfo[2];
  aclDataType scaleDtype = dtypesInfo[3];
  aclDataType outputDtype = dtypesInfo[4];
  // 创建input aclTensor
  ret = CreateAclTensor(inputData, shapeInput, &deviceDataA, inputDtype, &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, weightDtype, &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scale
  ret = CreateAclTensorND(scaleData, shapeScale, &deviceDataScale, scaleDtype, &scale);
  std::unique_ptr<aclTensor, aclnnStatus (*)(const aclTensor *)> scaleTensorPtr(scale, aclDestroyTensor);
  std::unique_ptr<void, aclError (*)(void *)> deviceDataScalePtr(deviceDataScale, aclrtFree);
  CHECK_FREE_RET(ret == ACL_SUCCESS, return ret);

    // 创建bias
  ret = CreateAclTensorND(biasData, shapeBias, &deviceDataBias, biasDtype, &bias);
  std::unique_ptr<aclTensor, aclnnStatus (*)(const aclTensor *)> biasTensorPtr(bias, aclDestroyTensor);
  std::unique_ptr<void, aclError (*)(void *)> deviceDataBiasPtr(deviceDataBias, aclrtFree);
  CHECK_FREE_RET(ret == ACL_SUCCESS, return ret);

  // 创建out aclTensor
  ret = CreateAclTensor(outputData, shapeResult, &deviceDataResult, outputDtype, &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(), 3);
  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(), 3);
  std::unique_ptr<aclIntArray, aclnnStatus (*)(const aclIntArray *)> padsPtr(pads, aclDestroyIntArray);
  CHECK_FREE_RET(pads != nullptr, return ACL_ERROR_INTERNAL_ERROR);
  aclIntArray *dilations = aclCreateIntArray(convDilations.data(), 3);
  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
  aclOpExecutor* executor;
  void* workspaceAddrNz = nullptr;

  int64_t* dstShape = nullptr;
  uint64_t dstShapeSize = 0;
  int actualFormat;
  // weight转FRACTAL_Z_3D
  // 计算目标tensor的shape和format
  ret = aclnnNpuFormatCastCalculateSizeAndFormat(weight, aclFormat::ACL_FRACTAL_Z_3D, -1, &dstShape, &dstShapeSize, &actualFormat);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnNpuFormatCastCalculateSizeAndFormat failed. ERROR: %d\n", ret); return ret);
  // 当前CANN版本不支持通过aclnnNpuFormatCast直接将NCDHW数据转换为FRACTAL_Z_3D，
  // 需在host侧按FRACTAL_Z_3D布局（D*C1*H*W, N1, N0, C0）重排weight数据，对齐部分用0填充，
  // 其中C1=CEIL(Cin, C0)，N1=CEIL(Cout, N0)，N0=16，C0=32
  std::vector<int64_t> shapeWeightNz(dstShape, dstShape + dstShapeSize);
  std::vector<int8_t> weightNzData(GetShapeSize(shapeWeightNz), 0);
  const int64_t cOut = shapeWeight[0], cIn = shapeWeight[1];
  const int64_t kD = shapeWeight[2], kH = shapeWeight[3], kW = shapeWeight[4];
  const int64_t c1 = shapeWeightNz[0] / (kD * kH * kW);
  const int64_t n1 = shapeWeightNz[1], n0 = shapeWeightNz[2], c0 = shapeWeightNz[3];
  for (int64_t co = 0; co < cOut; co++) {
    for (int64_t ci = 0; ci < cIn; ci++) {
      for (int64_t d = 0; d < kD; d++) {
        for (int64_t h = 0; h < kH; h++) {
          for (int64_t w = 0; w < kW; w++) {
            int64_t dim0 = ((d * c1 + ci / c0) * kH + h) * kW + w;
            int64_t dstIdx = ((dim0 * n1 + co / n0) * n0 + co % n0) * c0 + ci % c0;
            weightNzData[dstIdx] = weightData[(((co * cIn + ci) * kD + d) * kH + h) * kW + w];
          }
        }
      }
    }
  }
  // weightNz的viewShape/originalShape为5维NCDHW（与input/output维度一致），storageShape为4维FRACTAL_Z_3D
  ret = CreateAclTensorWithFormat(weightNzData, shapeWeight, &dstShape, &dstShapeSize, &deviceDataBNz, weightDtype, &weightNz, aclFormat::ACL_FRACTAL_Z_3D);
  CHECK_RET(ret == ACL_SUCCESS, LOG_PRINT("CreateAclTensorWithFormat failed. ERROR: %d\n", ret); return ret);
  // aclCreateTensor以FRACTAL_Z_3D创建后，还需将视图/原始format和原始shape设置为NCDHW，算子才能正确解析weight的N/C/D/H/W轴信息
  op::Shape weightNcdhwShape = {shapeWeight[0], shapeWeight[1], shapeWeight[2], shapeWeight[3], shapeWeight[4]};
  weightNz->SetViewFormat(op::Format::FORMAT_NCDHW);
  weightNz->SetOriginalFormat(op::Format::FORMAT_NCDHW);
  weightNz->SetOriginalShape(weightNcdhwShape);

  uint64_t workspaceSizeNz = 0;
  // 调用aclnnConvolutionWeightNz第一段接口
  ret = aclnnQuantConvolutionWeightNzGetWorkspaceSize(input, weightNz, bias, scale, nullptr, strides, pads, dilations,
                                              false, nullptr, 1, 0, nullptr, result, &workspaceSizeNz, &executor);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT(
    "aclnnQuantConvolutionWeightNzGetWorkspaceSize failed. ERROR: %d\n", ret); return ret);
  // 根据第一段接口计算出的workspaceSize申请device内存

  std::unique_ptr<void, aclError (*)(void *)> workspaceAddrPtr(nullptr, aclrtFree);
  if (workspaceSizeNz > 0) {
    ret = aclrtMalloc(&workspaceAddrNz, workspaceSizeNz, ACL_MEM_MALLOC_HUGE_FIRST);
    CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("allocate workspace failed. ERROR: %d\n", ret); return ret);
    workspaceAddrPtr.reset(workspaceAddrNz);
  }
  // 调用aclnnConvolutionWeightNz第二段接口
  ret = aclnnQuantConvolutionWeightNz(workspaceAddrNz, workspaceSizeNz, executor, stream);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnQuantConvolutionWeightNz 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<uint16_t> resultData(size, 0);
  ret = aclrtMemcpy(resultData.data(), resultData.size() * sizeof(resultData[0]), deviceDataResult,
                    size * sizeof(uint16_t), 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);
  int64_t printSize = size > 10 ? 10 : size;
  for (int64_t i = 0; i < printSize; i++) {
    LOG_PRINT("result[%ld] is: %d\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;
  std::vector<aclDataType> dtypesInfo = {aclDataType::ACL_INT8, aclDataType::ACL_INT8, aclDataType::ACL_FLOAT,
    aclDataType::ACL_FLOAT, aclDataType::ACL_BF16}; // 分别是input/weight/bias/scale/output的datatype
  auto ret = aclnnQuantConvolutionWeightNzTest(deviceId, stream, dtypesInfo);
  CHECK_FREE_RET(ret == ACL_SUCCESS, LOG_PRINT("aclnnQuantConvolutionWeightNzTest failed. ERROR: %d\n", ret); return ret);

  Finalize(deviceId, stream);
  return 0;
}