Star836
1661
代码
代码
Issues160
Pull Requests220
Actions
项目讨论
Wiki
分析
Star836
1661
cann-robotcann-robotformat cpp
5db91519创建于 7月6日历史提交
文件最后提交记录最后更新时间
examples
format cpp Co-authored-by: yang-di52<yangdi52@huawei.com> # message auto-generated for no-merge-commit merge: !6784 merge issue_fix into master format cpp Created-by: yang-di52 Commit-by: yang-di52 Merged-by: cann-robot Description: ## 描述 批量刷新cpp代码格式 ## 关联的Issue [#3791](https://gitcode.com/cann/ops-nn/issues/3791) ## 测试 <!--描述进行了哪些测试来验证你的改动。--> ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [ ] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [x] 其他，请描述：代码格式化 ## AI/Agent生成声明 <!-- [x] 表示选中 --> - [ ] AI辅助编写 See merge request: cann/ops-nn!6784
1 个月前
op_api
format cpp Co-authored-by: yang-di52<yangdi52@huawei.com> # message auto-generated for no-merge-commit merge: !6784 merge issue_fix into master format cpp Created-by: yang-di52 Commit-by: yang-di52 Merged-by: cann-robot Description: ## 描述 批量刷新cpp代码格式 ## 关联的Issue [#3791](https://gitcode.com/cann/ops-nn/issues/3791) ## 测试 <!--描述进行了哪些测试来验证你的改动。--> ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [ ] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [x] 其他，请描述：代码格式化 ## AI/Agent生成声明 <!-- [x] 表示选中 --> - [ ] AI辅助编写 See merge request: cann/ops-nn!6784
1 个月前
op_host
format cpp Co-authored-by: yang-di52<yangdi52@huawei.com> # message auto-generated for no-merge-commit merge: !6784 merge issue_fix into master format cpp Created-by: yang-di52 Commit-by: yang-di52 Merged-by: cann-robot Description: ## 描述 批量刷新cpp代码格式 ## 关联的Issue [#3791](https://gitcode.com/cann/ops-nn/issues/3791) ## 测试 <!--描述进行了哪些测试来验证你的改动。--> ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [ ] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [x] 其他，请描述：代码格式化 ## AI/Agent生成声明 <!-- [x] 表示选中 --> - [ ] AI辅助编写 See merge request: cann/ops-nn!6784
1 个月前
op_kernel
format cpp Co-authored-by: yang-di52<yangdi52@huawei.com> # message auto-generated for no-merge-commit merge: !6784 merge issue_fix into master format cpp Created-by: yang-di52 Commit-by: yang-di52 Merged-by: cann-robot Description: ## 描述 批量刷新cpp代码格式 ## 关联的Issue [#3791](https://gitcode.com/cann/ops-nn/issues/3791) ## 测试 <!--描述进行了哪些测试来验证你的改动。--> ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [ ] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [x] 其他，请描述：代码格式化 ## AI/Agent生成声明 <!-- [x] 表示选中 --> - [ ] AI辅助编写 See merge request: cann/ops-nn!6784
1 个月前
tests
[CANNBOT] DataFormatDimMap 算子适配Ascend950 AscendC实现 Co-authored-by: StoneChan_<chensitong2@huawei.com> # message auto-generated for no-merge-commit merge: !6151 merge restore/data-format-dim-map into master [CANNBOT] DataFormatDimMap 算子适配Ascend950 AscendC实现 Created-by: StoneChan_ Commit-by: StoneChan_ Merged-by: cann-robot Description: ## 描述 <!--在这里详细描述你的改动，包括改动的原因和所采取的方法。--> DataFormatDimMap 根据源数据格式和目标数据格式的维度映射关系，将输入的维度索引转换为目标格式下的对应维度索引。兼容 TensorFlow DataFormatDimMap 算子语义。 **计算公式**： $$ y_j = \text{table}\!\left[\,(x_j + N) \bmod N\,\right] $$ 其中： - $\text{table}[i]$ = src_format[i] 在 dst_format 中的位置索引 - $N$ = 格式字符串长度（支持 1~5） - $x_j$ = 输入张量中第 $j$ 个元素（维度索引值），取值范围 $[-N, N)$ - $(x_j + N) \bmod N$ 将负索引归一化到 $[0, N)$，支持 Python 风格负索引语义 **参数说明**： | 参数 | 类型 | 说明 | |------|------|------| | x (输入) | INT32/INT64, ND | 维度索引张量，取值范围 $[-N, N)$ | | src_format (属性) | STRING, 默认 "NHWC" | 源数据格式，长度 1~5 | | dst_format (属性) | STRING, 默认 "NCHW" | 目标数据格式，长度 1~5 | | y (输出) | INT32/INT64, ND | 映射结果，shape 与 x 相同 | **约束**： - src_format 与 dst_format 必须包含相同字符集（顺序可不同） - 格式字符串长度 1~5 - 输入 shape 维度数不超过 8 **示例**：输入 [0, 1, 2, 3]，src=NHWC，dst=NCHW - 构建映射表：N→0, H→2, W→3, C→1 → table = [0, 2, 3, 1] - 逐元素查表：x=0→table[0]=0, x=1→table[1]=2, x=2→table[2]=3, x=3→table[3]=1 - 输出：[0, 2, 3, 1] **实现要点**： - Tiling 阶段（Host 侧）：构建 expandedTable 映射表（长度 2×formatLen，后半段为前半段副本，用于负索引查表）；多核切分 blockFactor = CeilAlign(CeilDiv(totalNum, coreNum), ubBlockSize)；UB 切分 ubFactor = FloorAlign(ubSize / bytesPerElement, ubBlockSize) - Kernel 阶段（Device 侧）：向量化实现取模运算（Cast → Adds(+N) → Muls(×1/N) → Floor → Muls(×N) → Sub）+ Compares/Select 链完成查表映射；双缓冲流水线（CopyIn/Compute/CopyOut 重叠）；INT64 通过 INT32 中转再转 float，因取值范围 [-5,5) 无精度损失 ## 关联的Issue <!-- 如果这个PR是为了解决特定的Issue，请在这里提供Issue链接。例如：关联Issue #000--> https://gitcode.com/cann/ops-nn/issues/3375 ## 测试 <!--描述进行了哪些测试来验证你的改动。--> DataFormatDimMap 共 47 条 UT 测试用例 + 1 条图模式调用样例，全部通过。 **op_host InferShape UT（8 条）** | 用例 | 输入 shape | 数据类型 | 验证点 | |------|-----------|---------|--------| | infershape_1d | [128] | INT32 | 1D 输出 shape 正确 | | infershape_2d | [64, 128] | INT32 | 2D 输出 shape 正确 | | infershape_4d | [4, 16, 4, 4] | INT32 | 4D 输出 shape 正确 | | infershape_5d | [2, 4, 8, 16, 32] | INT32 | 5D 输出 shape 正确 | | infershape_scalar | [] | INT32 | 标量输出 shape 正确 | | infershape_int64 | [256, 512] | INT64 | INT64 类型 shape 正确 | | infershape_large_tensor | [1024, 2048] | INT32 | 大张量 shape 正确 | | infershape_8d | [1,2,3,4,5,6,7,8] | INT32 | 最大维度数 8D | **op_host Tiling UT（35 条）** 按测试类别： | 类别 | 数量 | 说明 | |------|------|------| | 映射表构造 | 5 条 | NHWC↔NCHW、NDHWC↔NCDHW、HWNC↔NHWC、NCHW→NHWC(int64)、NDHWC→NCDHW(int64) | | 数据大小边界 | 8 条 | 空张量[0]、单元素[1]、小数据[100]、边界[1023/1024/2048]、大数据[10000/100000] | | TilingKey 一致性 | 4 条 | 同 dtype 不同数据量 tilingKey 相同、不同 dtype tilingKey 不同 | | 多核切分对齐 | 4 条 | blockFactor 对齐（int32 对齐 8、int64 对齐 4）、整除核数、多核拆分 | | INT64 dtype 路径 | 5 条 | 小数据/大数据/ubFactor 计算/边界 1023 vs 1024/NCHW→NHWC | | 多维 shape | 2 条 | [4,8] 展平为 32、[100] 单核 | | 格式长度分支 | 4 条 | N=4 expandedTable 尾部填充、N=5 映射表/大数据/N4 vs N5 tilingKey | | 非法格式校验 | 2 条 | dstFormat 非 srcFormat 排列（"NNNN"）、部分字符不匹配（"NCHX"） | | 反向映射 | 1 条 | HWNC→NHWC 大张量 int64 | **op_kernel UT（4 条，CANN Simulator 仿真验证）** | 用例 | 数据类型 | 核数 | 耗时 | 验证点 | |------|---------|------|------|--------| | nhwc_to_nchw_int32_256elem | INT32 | 1 | 383ms | 正索引 [0,1,2,3]→[0,2,3,1]，256 元素 | | nhwc_to_nchw_int64_256elem | INT64 | 1 | 290ms | INT64 正索引映射正确 | | nhwc_to_nchw_int32_negative_256elem | INT32 | 1 | 274ms | 负索引 [-1,-2,-3,-4]→[1,3,2,0] | | nhwc_to_nchw_int32_multicore | INT32 | 2 | 376ms | 多核切分执行，1024 元素 | **图模式调用样例（1 条）** | 调用方式 | 输入 | 格式映射 | 输出 | 结果 | |---------|------|---------|------|------| | graph 模式 | [0,1,2,3] INT32 | NHWC→NCHW | [0,2,3,1] | ✅ 通过 | ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> 新增 index/data_format_dim_map/README.md 算子说明文档。 ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [x] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [ ] 其他，请描述： See merge request: cann/ops-nn!6151
1 个月前
CMakeLists.txt
[CANNBOT] DataFormatDimMap 算子适配Ascend950 AscendC实现 Co-authored-by: StoneChan_<chensitong2@huawei.com> # message auto-generated for no-merge-commit merge: !6151 merge restore/data-format-dim-map into master [CANNBOT] DataFormatDimMap 算子适配Ascend950 AscendC实现 Created-by: StoneChan_ Commit-by: StoneChan_ Merged-by: cann-robot Description: ## 描述 <!--在这里详细描述你的改动，包括改动的原因和所采取的方法。--> DataFormatDimMap 根据源数据格式和目标数据格式的维度映射关系，将输入的维度索引转换为目标格式下的对应维度索引。兼容 TensorFlow DataFormatDimMap 算子语义。 **计算公式**： $$ y_j = \text{table}\!\left[\,(x_j + N) \bmod N\,\right] $$ 其中： - $\text{table}[i]$ = src_format[i] 在 dst_format 中的位置索引 - $N$ = 格式字符串长度（支持 1~5） - $x_j$ = 输入张量中第 $j$ 个元素（维度索引值），取值范围 $[-N, N)$ - $(x_j + N) \bmod N$ 将负索引归一化到 $[0, N)$，支持 Python 风格负索引语义 **参数说明**： | 参数 | 类型 | 说明 | |------|------|------| | x (输入) | INT32/INT64, ND | 维度索引张量，取值范围 $[-N, N)$ | | src_format (属性) | STRING, 默认 "NHWC" | 源数据格式，长度 1~5 | | dst_format (属性) | STRING, 默认 "NCHW" | 目标数据格式，长度 1~5 | | y (输出) | INT32/INT64, ND | 映射结果，shape 与 x 相同 | **约束**： - src_format 与 dst_format 必须包含相同字符集（顺序可不同） - 格式字符串长度 1~5 - 输入 shape 维度数不超过 8 **示例**：输入 [0, 1, 2, 3]，src=NHWC，dst=NCHW - 构建映射表：N→0, H→2, W→3, C→1 → table = [0, 2, 3, 1] - 逐元素查表：x=0→table[0]=0, x=1→table[1]=2, x=2→table[2]=3, x=3→table[3]=1 - 输出：[0, 2, 3, 1] **实现要点**： - Tiling 阶段（Host 侧）：构建 expandedTable 映射表（长度 2×formatLen，后半段为前半段副本，用于负索引查表）；多核切分 blockFactor = CeilAlign(CeilDiv(totalNum, coreNum), ubBlockSize)；UB 切分 ubFactor = FloorAlign(ubSize / bytesPerElement, ubBlockSize) - Kernel 阶段（Device 侧）：向量化实现取模运算（Cast → Adds(+N) → Muls(×1/N) → Floor → Muls(×N) → Sub）+ Compares/Select 链完成查表映射；双缓冲流水线（CopyIn/Compute/CopyOut 重叠）；INT64 通过 INT32 中转再转 float，因取值范围 [-5,5) 无精度损失 ## 关联的Issue <!-- 如果这个PR是为了解决特定的Issue，请在这里提供Issue链接。例如：关联Issue #000--> https://gitcode.com/cann/ops-nn/issues/3375 ## 测试 <!--描述进行了哪些测试来验证你的改动。--> DataFormatDimMap 共 47 条 UT 测试用例 + 1 条图模式调用样例，全部通过。 **op_host InferShape UT（8 条）** | 用例 | 输入 shape | 数据类型 | 验证点 | |------|-----------|---------|--------| | infershape_1d | [128] | INT32 | 1D 输出 shape 正确 | | infershape_2d | [64, 128] | INT32 | 2D 输出 shape 正确 | | infershape_4d | [4, 16, 4, 4] | INT32 | 4D 输出 shape 正确 | | infershape_5d | [2, 4, 8, 16, 32] | INT32 | 5D 输出 shape 正确 | | infershape_scalar | [] | INT32 | 标量输出 shape 正确 | | infershape_int64 | [256, 512] | INT64 | INT64 类型 shape 正确 | | infershape_large_tensor | [1024, 2048] | INT32 | 大张量 shape 正确 | | infershape_8d | [1,2,3,4,5,6,7,8] | INT32 | 最大维度数 8D | **op_host Tiling UT（35 条）** 按测试类别： | 类别 | 数量 | 说明 | |------|------|------| | 映射表构造 | 5 条 | NHWC↔NCHW、NDHWC↔NCDHW、HWNC↔NHWC、NCHW→NHWC(int64)、NDHWC→NCDHW(int64) | | 数据大小边界 | 8 条 | 空张量[0]、单元素[1]、小数据[100]、边界[1023/1024/2048]、大数据[10000/100000] | | TilingKey 一致性 | 4 条 | 同 dtype 不同数据量 tilingKey 相同、不同 dtype tilingKey 不同 | | 多核切分对齐 | 4 条 | blockFactor 对齐（int32 对齐 8、int64 对齐 4）、整除核数、多核拆分 | | INT64 dtype 路径 | 5 条 | 小数据/大数据/ubFactor 计算/边界 1023 vs 1024/NCHW→NHWC | | 多维 shape | 2 条 | [4,8] 展平为 32、[100] 单核 | | 格式长度分支 | 4 条 | N=4 expandedTable 尾部填充、N=5 映射表/大数据/N4 vs N5 tilingKey | | 非法格式校验 | 2 条 | dstFormat 非 srcFormat 排列（"NNNN"）、部分字符不匹配（"NCHX"） | | 反向映射 | 1 条 | HWNC→NHWC 大张量 int64 | **op_kernel UT（4 条，CANN Simulator 仿真验证）** | 用例 | 数据类型 | 核数 | 耗时 | 验证点 | |------|---------|------|------|--------| | nhwc_to_nchw_int32_256elem | INT32 | 1 | 383ms | 正索引 [0,1,2,3]→[0,2,3,1]，256 元素 | | nhwc_to_nchw_int64_256elem | INT64 | 1 | 290ms | INT64 正索引映射正确 | | nhwc_to_nchw_int32_negative_256elem | INT32 | 1 | 274ms | 负索引 [-1,-2,-3,-4]→[1,3,2,0] | | nhwc_to_nchw_int32_multicore | INT32 | 2 | 376ms | 多核切分执行，1024 元素 | **图模式调用样例（1 条）** | 调用方式 | 输入 | 格式映射 | 输出 | 结果 | |---------|------|---------|------|------| | graph 模式 | [0,1,2,3] INT32 | NHWC→NCHW | [0,2,3,1] | ✅ 通过 | ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> 新增 index/data_format_dim_map/README.md 算子说明文档。 ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [x] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [ ] 其他，请描述： See merge request: cann/ops-nn!6151
1 个月前
README.md
[CANNBOT] DataFormatDimMap 算子适配Ascend950 AscendC实现 Co-authored-by: StoneChan_<chensitong2@huawei.com> # message auto-generated for no-merge-commit merge: !6151 merge restore/data-format-dim-map into master [CANNBOT] DataFormatDimMap 算子适配Ascend950 AscendC实现 Created-by: StoneChan_ Commit-by: StoneChan_ Merged-by: cann-robot Description: ## 描述 <!--在这里详细描述你的改动，包括改动的原因和所采取的方法。--> DataFormatDimMap 根据源数据格式和目标数据格式的维度映射关系，将输入的维度索引转换为目标格式下的对应维度索引。兼容 TensorFlow DataFormatDimMap 算子语义。 **计算公式**： $$ y_j = \text{table}\!\left[\,(x_j + N) \bmod N\,\right] $$ 其中： - $\text{table}[i]$ = src_format[i] 在 dst_format 中的位置索引 - $N$ = 格式字符串长度（支持 1~5） - $x_j$ = 输入张量中第 $j$ 个元素（维度索引值），取值范围 $[-N, N)$ - $(x_j + N) \bmod N$ 将负索引归一化到 $[0, N)$，支持 Python 风格负索引语义 **参数说明**： | 参数 | 类型 | 说明 | |------|------|------| | x (输入) | INT32/INT64, ND | 维度索引张量，取值范围 $[-N, N)$ | | src_format (属性) | STRING, 默认 "NHWC" | 源数据格式，长度 1~5 | | dst_format (属性) | STRING, 默认 "NCHW" | 目标数据格式，长度 1~5 | | y (输出) | INT32/INT64, ND | 映射结果，shape 与 x 相同 | **约束**： - src_format 与 dst_format 必须包含相同字符集（顺序可不同） - 格式字符串长度 1~5 - 输入 shape 维度数不超过 8 **示例**：输入 [0, 1, 2, 3]，src=NHWC，dst=NCHW - 构建映射表：N→0, H→2, W→3, C→1 → table = [0, 2, 3, 1] - 逐元素查表：x=0→table[0]=0, x=1→table[1]=2, x=2→table[2]=3, x=3→table[3]=1 - 输出：[0, 2, 3, 1] **实现要点**： - Tiling 阶段（Host 侧）：构建 expandedTable 映射表（长度 2×formatLen，后半段为前半段副本，用于负索引查表）；多核切分 blockFactor = CeilAlign(CeilDiv(totalNum, coreNum), ubBlockSize)；UB 切分 ubFactor = FloorAlign(ubSize / bytesPerElement, ubBlockSize) - Kernel 阶段（Device 侧）：向量化实现取模运算（Cast → Adds(+N) → Muls(×1/N) → Floor → Muls(×N) → Sub）+ Compares/Select 链完成查表映射；双缓冲流水线（CopyIn/Compute/CopyOut 重叠）；INT64 通过 INT32 中转再转 float，因取值范围 [-5,5) 无精度损失 ## 关联的Issue <!-- 如果这个PR是为了解决特定的Issue，请在这里提供Issue链接。例如：关联Issue #000--> https://gitcode.com/cann/ops-nn/issues/3375 ## 测试 <!--描述进行了哪些测试来验证你的改动。--> DataFormatDimMap 共 47 条 UT 测试用例 + 1 条图模式调用样例，全部通过。 **op_host InferShape UT（8 条）** | 用例 | 输入 shape | 数据类型 | 验证点 | |------|-----------|---------|--------| | infershape_1d | [128] | INT32 | 1D 输出 shape 正确 | | infershape_2d | [64, 128] | INT32 | 2D 输出 shape 正确 | | infershape_4d | [4, 16, 4, 4] | INT32 | 4D 输出 shape 正确 | | infershape_5d | [2, 4, 8, 16, 32] | INT32 | 5D 输出 shape 正确 | | infershape_scalar | [] | INT32 | 标量输出 shape 正确 | | infershape_int64 | [256, 512] | INT64 | INT64 类型 shape 正确 | | infershape_large_tensor | [1024, 2048] | INT32 | 大张量 shape 正确 | | infershape_8d | [1,2,3,4,5,6,7,8] | INT32 | 最大维度数 8D | **op_host Tiling UT（35 条）** 按测试类别： | 类别 | 数量 | 说明 | |------|------|------| | 映射表构造 | 5 条 | NHWC↔NCHW、NDHWC↔NCDHW、HWNC↔NHWC、NCHW→NHWC(int64)、NDHWC→NCDHW(int64) | | 数据大小边界 | 8 条 | 空张量[0]、单元素[1]、小数据[100]、边界[1023/1024/2048]、大数据[10000/100000] | | TilingKey 一致性 | 4 条 | 同 dtype 不同数据量 tilingKey 相同、不同 dtype tilingKey 不同 | | 多核切分对齐 | 4 条 | blockFactor 对齐（int32 对齐 8、int64 对齐 4）、整除核数、多核拆分 | | INT64 dtype 路径 | 5 条 | 小数据/大数据/ubFactor 计算/边界 1023 vs 1024/NCHW→NHWC | | 多维 shape | 2 条 | [4,8] 展平为 32、[100] 单核 | | 格式长度分支 | 4 条 | N=4 expandedTable 尾部填充、N=5 映射表/大数据/N4 vs N5 tilingKey | | 非法格式校验 | 2 条 | dstFormat 非 srcFormat 排列（"NNNN"）、部分字符不匹配（"NCHX"） | | 反向映射 | 1 条 | HWNC→NHWC 大张量 int64 | **op_kernel UT（4 条，CANN Simulator 仿真验证）** | 用例 | 数据类型 | 核数 | 耗时 | 验证点 | |------|---------|------|------|--------| | nhwc_to_nchw_int32_256elem | INT32 | 1 | 383ms | 正索引 [0,1,2,3]→[0,2,3,1]，256 元素 | | nhwc_to_nchw_int64_256elem | INT64 | 1 | 290ms | INT64 正索引映射正确 | | nhwc_to_nchw_int32_negative_256elem | INT32 | 1 | 274ms | 负索引 [-1,-2,-3,-4]→[1,3,2,0] | | nhwc_to_nchw_int32_multicore | INT32 | 2 | 376ms | 多核切分执行，1024 元素 | **图模式调用样例（1 条）** | 调用方式 | 输入 | 格式映射 | 输出 | 结果 | |---------|------|---------|------|------| | graph 模式 | [0,1,2,3] INT32 | NHWC→NCHW | [0,2,3,1] | ✅ 通过 | ## 文档更新 <!--如果这个PR包含文档的更新，请在这里指出。例如：更新了README.md文件。--> 新增 index/data_format_dim_map/README.md 算子说明文档。 ## 类型标签 <!-- [x] 表示选中 --> - [ ] Bug修复 - [x] 新特性 - [ ] 性能优化 - [ ] 文档更新 - [ ] 其他，请描述： See merge request: cann/ops-nn!6151
1 个月前
README

DataFormatDimMap

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

  • 算子功能：根据源数据格式和目标数据格式的维度映射关系，将输入的维度索引转换为目标格式下的对应维度索引。
  • 计算示例：输入维度索引 [0, 1, 2, 3]，源格式 NHWC，目标格式 NCHW，输出 [0, 2, 3, 1]。即 NHWC 的第 1 维 (H) 对应 NCHW 的第 2 维，第 2 维 (W) 对应第 3 维，第 3 维 (C) 对应第 1 维。

参数说明

参数名 输入/输出/属性 描述 数据类型 数据格式
x 输入 维度索引张量，取值范围为 [-(格式长度), 格式长度)。 INT32、INT64 ND
src_format 可选属性
  • 源数据格式字符串，如 "NHWC"。
  • 默认值为 "NHWC"。
 STRING -
dst_format 可选属性
  • 目标数据格式字符串，如 "NCHW"。
  • 默认值为 "NCHW"。
 STRING -
y 输出 映射后的维度索引张量，shape 与输入 x 相同。 INT32、INT64 ND

约束说明

  • src_format 和 dst_format 必须包含相同的字符集（即相同的维度字母，顺序可不同）。
  • 格式字符串长度支持 1~5。
  • 输入 x 的 shape 维度数不超过 8。

调用说明

调用方式 调用样例 说明
aclnn调用 test_aclnn_data_format_dim_map 参见算子调用完成算子编译和验证。