1. grid_sample算子功能解析

该段主要参考：https://blog.csdn.net/jameschen9051/article/details/124714759，不想看理论可直接跳至第2节

1.1 理论介绍

在图像处理领域，grid_sample 是一个常用的操作，通常用于对图像进行仿射变换或透视变换。它可以在给定输入图像和一个变换矩阵的情况下，对输入图像进行采样，生成一个新的输出图像。
pytorch中调用接口：

torch.nn.functional.grid_sample(input,grid,mode='bilinear',padding_mode='zeros',align_corners=None)

input：输入特征图，可以是四维或者五维张量，本文主要以四维为例进行介绍，表示为 (N,C,Hin,Win) 。
grid：采样网格，包含输出特征图的shape大小(Hout、Wout)，每个网格值通过变换对应到输入特征图的采样点位，当对应四维input时，其张量形式为(N,Hout,Wout,2)，其中最后一维大小必须为2，如果输入input为五维张量，那么最后一维大小必须为3。

为什么最后一维必须为2或者3？因为grid的最后一个维度实际上代表一个坐标(x,y)或者(x,y,z)，对应到输入特征图的二维或三维特征图的坐标维度，x,y取值范围一般为[-1,1]，该范围映射到输入特征图的全图，一通操作变换后对应于输出图像上的一个像素点。

mode：采样模式，可以是 ‘bilinear’（双线性插值）、 ‘nearest’（最近邻插值）、‘bicubic’ 双三次插值。。
padding_mode：填充模式，用于处理采样时超出输入图像边界的情况，可以是 ‘zeros’ 、 ‘border’、 ‘reflection’。
align_corners：一个布尔值，用于指定特征图坐标与特征值对应方式，设定为TRUE时，特征值位于像素中心。
总的说来，grid_sample 算子会根据给定的网格（grid）在输入图像上进行采样，然后根据选择的插值方法在采样点周围的像素上进行插值，最终生成输出图像。

画一个在BEV方案中grid_sample原理图来帮助理解grid_sample怎么回事：
在这里插入图片描述

1.2 代码分析

对照代码进行下一步解读。
假设输入shape为(N,C,H_in,W_in)，grid的shape设定为(N,H_out,W_out,2)，使用双线性差值，填充模式为zeros，align_corners需要设置为True。

首先根据input和grid设定，输出特征图tensor的shape为(N,C,H_out,W_out)，输出特征图上每一个cell上的值与grid最后一维(x,y)息息相关，那么如何计算输出tensor上每一个点的值？

首先，通过(x,y)找到输入特征图上的采样位置：由于x，y取值范围为[-1,1]，为了便于计算，先将x，y取值范围调整为[0,1]，方法是(x+1)/2，(y+1)/2。因此，将x，y映射为输入特征图的具体坐标位置：(w-1)(x+1)/2、(h-1)(y+1)/2。
将x，y映射到输入特征图实际坐标后，取该坐标附近四个角点特征值，通过四个特征值坐标与采样点坐标相对关系进行双线性插值，得到采样点的值。

注意：x，y映射后的坐标可能是输入特征图上任意位置。

基于上面的思路，可以进行一个简单的自定义实现。根据指定shape生成input和grid，之后取grid中的第一个位置中的x，y，根据x，y从input中通过双线性插值计算出output第一个位置的值。类比使用pytorch中的grid_sample算子生成output。

其它的看代码注释即可。

1.2.1 x,y取值范围[-1,1]

import torch
import numpy as npdef grid_sample(input, grid):N, C, H_in, W_in = input.shapeN, H_out, W_out, _ = grid.shapeoutput = np.random.random((N,C,H_out,W_out))for i in range(N):for j in range(C):for k in range(H_out):for l in range(W_out):param = [0.0, 0.0]# 通过(w-1)*(x+1)/2、(h-1)*(y+1)/2将x，y映射为输入特征图的具体坐标位置。param[0] = (W_in - 1) * (grid[i][k][l][0] + 1) / 2param[1] = (H_in - 1) * (grid[i][k][l][1] + 1) / 2x0 = int(param[0])  # int取整规则：将小数部分截断去掉。x1 = x0 + 1y0 = int(param[1])y1 = y0 + 1param[0] -= x0  # 此时param里装的是小数部分param[1] -= y0# 双线性插值left_top = input[i][j][y0][x0] * (1 - param[0]) * (1 - param[1])left_bottom = input[i][j][y1][x0] * (1 - param[0]) * param[1]right_top = input[i][j][y0][x1] * param[0] * (1 - param[1])right_bottom = input[i][j][y1][x1] * param[0] * param[1]result = left_bottom + left_top + right_bottom + right_topoutput[i][j][k][l] = resultreturn outputif __name__=='__main__':N, C, H_in, W_in, H_out, W_out = 1, 1, 4, 4, 2, 2input = np.random.random((N,C,H_in,W_in))# np.random.random()范围是[0,1),想要[a,b)的数据，需要(b-a)*np.random.random() + agrid = -1 + 2*np.random.random((N,H_out,W_out,2))  # 最后一维2，生成了坐标out = grid_sample(input, grid)print(f'自定义实现输出结果：\n{out}')input = torch.from_numpy(input)grid = torch.from_numpy(grid)# 注意：这儿align_corners=Trueoutput = torch.nn.functional.grid_sample(input,grid,mode='bilinear', padding_mode='zeros',align_corners=True)print(f'grid_sample输出结果：\n{output}')

输出：
在这里插入图片描述
从输出结果上看，与pytorch基本一致。

注意：这里没有对超出[-1,1]范围的x，y值做处理，只能处理四维input，五维input的实现思路与这里基本一致：再加一层循环，内插算法改为3维。。

1.2.2 x,y取值范围超出[-1,1]

考虑到(x,y)取值范围可能越界，pytorch中的padding_mode设置就是对(x,y)落在输入特征图外边缘情况进行处理，一般设置’zero’，也就是对靠近输入特征图范围以外的采样点进行0填充，如果不进行处理显然会造成索引越界。要解决(x,y)越界问题，可以进行如下修改：

import torch
import numpy as npdef grid_sample(input, grid):N, C, H_in, W_in = input.shapeN, H_out, W_out, _ = grid.shapeoutput = np.random.random((N,C,H_out,W_out))for i in range(N):for j in range(C):for k in range(H_out):for l in range(W_out):param = [0.0, 0.0]# 通过(w-1)*(x+1)/2、(h-1)*(y+1)/2将x，y映射为输入特征图的具体坐标位置。param[0] = (W_in - 1) * (grid[i][k][l][0] + 1) / 2param[1] = (H_in - 1) * (grid[i][k][l][1] + 1) / 2x1 = int(param[0] + 1)  # int取整规则：将小数部分截断去掉。x0 = x1 - 1 y1 = int(param[1] + 1)y0 = y1 - 1param[0] = abs(param[0] - x0)  # 此时param里装的是离x0,y0的距离param[1] = abs(param[1] - y0)# 填充left_top_value, left_bottom_value, right_top_value, right_bottom_value = 0, 0, 0, 0if 0 <= x0 < W_in and 0 <= y0 < H_in:left_top_value = input[i][j][y0][x0]if 0 <= x1 < W_in and 0 <= y0 < H_in:right_top_value = input[i][j][y0][x1]if 0 <= x0 < W_in and 0 <= y1 < H_in:left_bottom_value = input[i][j][y1][x0]if 0 <= x1 < W_in and 0 <= y1 < H_in:right_bottom_value = input[i][j][y1][x1]# 双线性插值left_top = left_top_value * (1 - param[0]) * (1 - param[1])left_bottom = left_bottom_value * (1 - param[0]) * param[1]right_top = right_top_value * param[0] * (1 - param[1])right_bottom = right_bottom_value * param[0] * param[1]result = left_bottom + left_top + right_bottom + right_topoutput[i][j][k][l] = resultreturn outputif __name__=='__main__':N, C, H_in, W_in, H_out, W_out = 1, 1, 4, 4, 2, 2input = np.random.random((N,C,H_in,W_in))# np.random.random()范围是[0,1),想要[a,b)的数据，需要(b-a)*np.random.random() + agrid = -1 + 2*np.random.random((N,H_out,W_out,2))  # 最后一维2，生成了坐标grid[0][0][0] = [-1.2, 1.3]     # 超出[-1,1]的范围out = grid_sample(input, grid)print(f'自定义实现输出结果：\n{out}')input = torch.from_numpy(input)grid = torch.from_numpy(grid)# 注意：这儿align_corners=Trueoutput = torch.nn.functional.grid_sample(input,grid,mode='bilinear', padding_mode='zeros',align_corners=True)print(f'grid_sample输出结果：\n{output}')

输出：
在这里插入图片描述

2. 使用grid_sample算子构建一个网络

先看一下地平线提供的算子支持与约束列表：
在这里插入图片描述

据此，构建一个简单的网络，test.py代码如下：

import torch
import torch.nn as nn
import torch.nn.functional as Ffrom horizon_nn.torch import export_onnxclass GridSampleModel(nn.Module):def __init__(self):super(GridSampleModel, self).__init__()self.unitconv = nn.Conv2d(24, 24, (1, 1), groups=3)nn.init.constant_(self.unitconv.weight, 1)nn.init.constant_(self.unitconv.bias, 0)def forward(self, x1, x2):x1 = self.unitconv(x1)x = F.grid_sample(x1,grid=x2,mode='bilinear',padding_mode='zeros',align_corners=True)x = self.unitconv(x)return xif __name__ == "__main__":model = GridSampleModel()model.eval()input_names = ['x1', 'x2']output_names = ['output']x1 = torch.randn((1, 24, 600, 800))x2 = torch.randn((1, 48, 64, 2))export_onnx(model, (x1, x2), 'gridsample.onnx', verbose=True, opset_version=11,input_names=input_names, output_names=output_names)print('convert to gridsampe onnx finish!!!')

运行test.py，生成onnx模型，可视化结构如下图：
在这里插入图片描述

3. 走PTQ进行模型转换与编译

对应config.yaml文件：

# 模型转化相关的参数
model_parameters:onnx_model: './gridsample.onnx'march: "bayes"working_dir: 'model_output'output_model_file_prefix: 'gridsample'# 模型输入相关参数, 若输入多个节点, 则应使用';'进行分隔, 使用默认缺省设置则写None
input_parameters:input_name: "x1;x2"input_type_rt: 'featuremap;featuremap'input_layout_rt: 'NCHW;NCHW'input_type_train: 'featuremap;featuremap'input_layout_train: 'NCHW;NCHW'input_shape: '1x24x600x800;1x48x64x2'norm_type: 'no_preprocess;no_preprocess'# 模型量化相关参数
calibration_parameters:calibration_type: 'skip'# 编译器相关参数
compiler_parameters:compile_mode: 'latency'optimize_level: 'O3'

使用的是OE1.1.60对应的docker

hb_mapper makertbin --config config.yaml --model-type onnx

在这里插入图片描述
全一段，且都在BPU上

4. 走QAT进行模型转换与编译

对应的是plugin-fx，关于该部分基础解读可见另外一篇文章：https://blog.csdn.net/weixin_45377629/article/details/131354320

可运行代码如下：

import os
import torch
import torch.nn as nn
import torch.nn.functional as F# torch中的一个类，主要用于将量化操作的结果转换回浮点数，也就是对输出数据转换回浮点数
from torch.quantization import DeQuantStub
# 硬件芯片架构，J5：bayes；XJ3：bernoulli2，具体可看源码
from horizon_plugin_pytorch.march import March, set_march       
from horizon_plugin_pytorch.quantization import (QuantStub,      # 类似于torch中的类QuantStub，用于将输入数据量化，使用plugin中的QuantStub是因为它支持通过参数手动固定 scaleconvert_fx,     # 将伪量化模型qat_model转换为定点模型quantized_modelprepare_qat_fx, # 将float模型转成calib/qat模型，变动表现：进行一些conv+bn等算子融合set_fake_quantize,  # 用于设置qat/calib model 伪量化状态，内参包括FakeQuantStateFakeQuantState,     # 用于设置伪量化状态，有FakeQuantState.QAT用于qat model train，FakeQuantState.VALIDATION用于qat/calib model eval，FakeQuantState.CALIBRATION用于 calib evalcheck_model,        # 用于检查模型是否可以被硬件支持，本例中输入是可序列化的script_model，并给出一些根据硬件对齐规则可以提升性能的建议compile_model,      # 用于编译生成可以上板的hbm模型perf_model,         # 用于推测模型耗时等信息visualize_model,    # 用于可视化算子优化替换后的模型结构
)
from horizon_plugin_pytorch.quantization.qconfig import (default_calib_8bit_fake_quant_qconfig,      # 校准时，模型总体伪量化节点的量化配置default_qat_8bit_fake_quant_qconfig,        # 量化训练时，模型总体伪量化节点的量化配置default_qat_8bit_weight_32bit_out_fake_quant_qconfig,    # 模型输出的伪量化节点配置，用于配置输出conv节点高精度int32输出default_calib_8bit_weight_32bit_out_fake_quant_qconfig,  # 和上一行是一个东西
)class GridSampleModel(nn.Module):def __init__(self):super(GridSampleModel, self).__init__()self.unitconv = nn.Conv2d(24, 24, (1, 1), groups=3)nn.init.constant_(self.unitconv.weight, 1)nn.init.constant_(self.unitconv.bias, 0)def forward(self, x1, x2):x1 = self.unitconv(x1)x = F.grid_sample(x1,grid=x2,mode='bilinear',padding_mode='zeros',align_corners=True)x = self.unitconv(x)return xclass FxQATReadyGridSample(GridSampleModel):def __init__(self):super().__init__()self.quant = QuantStub()self.dequant = DeQuantStub()def forward(self, x1, x2):x1 = self.quant(x1)x2 = self.quant(x2)x = super().forward(x1, x2)x = self.dequant(x)return xdef compile(model,model_path,compile_opt=3,march=March.BAYES,quant_method="fx",
):# 定点模型quantized_model = modelx1 = torch.randn((1, 24, 600, 800))x2 = torch.randn((1, 48, 64, 2))example_input = (x1,x2)     # Tensor# 单纯为了更保险，这儿再次加上.cpu()script_model = torch.jit.trace(quantized_model.cpu(), example_input)    # pt 模型指 torchscript 模型，以.pt结尾torch.jit.save(script_model, os.path.join(model_path, "int_model.pt"))  check_model(script_model, example_input, advice=1)compile_model(script_model,example_input,hbm=os.path.join(model_path, "model.hbm"),input_source="ddr,ddr",     # 上板时输入的数据来源，通常有ddr/resizer/pyramid，多输入时配置为字符串列表opt=compile_opt,)# 可视化torchscript模型，也就是hbdk眼中的模型，会考虑到layout的变换、硬件对齐、算子融合、算子等效替换等情况visualize_model(script_model,example_input,save_path=os.path.join(model_path, "model.svg"),show=False,)return script_modelif __name__ == "__main__":device = torch.device('cpu')float_model = FxQATReadyGridSample().to(device)print(float_model)set_march(March.BAYES)calib_model = prepare_qat_fx(float_model,{"": default_calib_8bit_fake_quant_qconfig,},).to(device)quantized_model = convert_fx(calib_model).to(device)model_path = './model_path'compile(quantized_model, model_path)