RKNN2 V2.5.0 · RK2118：Grundlagen und Faltungen

Diese Plattformreferenz für RKNN2 V2.5.0 unterstützt ArmSoM-Entwickler bei der Modellauswahl und -anpassung. Sie bestätigt keine Unterstützung auf allen ArmSoM-Platinen: SoC, tatsächliche Toolkit2-, Runtime-, NPU-Treiber- und BSP-Versionen müssen geprüft werden. Die Quelle nennt keine einheitliche Linux-Kernel-Version. Es wurden keine ArmSoM-Hardwaretests durchgeführt.

Quelle: die bereitgestellte chinesische und englische RKNN2 Supported Operators and Constraints Reference V2.5.0 mit 374 bzw. 384 Seiten. Chinesisch folgt der chinesischen Ausgabe; Englisch, Russisch und Deutsch folgen der englischen. Plattformgrenzen bleiben getrennt. Das englische PDF enthält chinesische I/O-Abbildungen und Ausgabetabellen; zusätzlich werden editierbare lokalisierte Tabellen bereitgestellt. Schreibweisen wie ConvTranpose und ursprüngliche LSTM/GRU-Gleichungen bleiben erhalten; die Formeln stellen keine Korrekturen der SDK-Implementierung dar.

Quellseiten: CN 278–285; EN 286–293.

Rockchip RKNN2

Operatorreferenz-Serie

RKNN2 V2.5.0 · RK3566/RK3568：Grundlagen und Faltungen

RKNN2 V2.5.0 · RK3566/RK3568：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RK3566/RK3568：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RK3566/RK3568：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · RK3588：Grundlagen und Faltungen

RKNN2 V2.5.0 · RK3588：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RK3588：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RK3588：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · RK3562：Grundlagen und Faltungen

RKNN2 V2.5.0 · RK3562：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RK3562：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RK3562：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · RV1103/RV1106：Grundlagen und Faltungen

RKNN2 V2.5.0 · RV1103/RV1106：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RV1103/RV1106：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RV1103/RV1106：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · RK3576/RV1126B：Grundlagen und Faltungen

RKNN2 V2.5.0 · RK3576/RV1126B：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RK3576/RV1126B：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RK3576/RV1126B：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · RK2118：Grundlagen und Faltungen

RKNN2 V2.5.0 · RK2118：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RK2118：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RK2118：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · RV1103B/RV1106B：Grundlagen und Faltungen

RKNN2 V2.5.0 · RV1103B/RV1106B：Rekurrente Netze, Arithmetik und Pooling

RKNN2 V2.5.0 · RV1103B/RV1106B：Formen, Slicing und Transposition

RKNN2 V2.5.0 · RV1103B/RV1106B：Aktivierungen, Normalisierung und Erweiterungen

RKNN2 V2.5.0 · Unterstützung und Grenzen der CPU-Operatoren

RKNN2 V2.5.0 · Unterstützung und Grenzen der GPU-Operatoren

RKNN2 V2.5.0 · Modell-I/O, Ausrichtung und Faltungsgrenzen

RK2118

Add

Führt elementweise binäre Addition (C=A+B) mit multidirektionalem Broadcasting nach NumPy-Art aus.

Eingaben

• A:T1,T2
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer
  • Broadcasting-Unterstützung
    • Broadcasting entlang beliebiger Dimensionen wird unterstützt.
    • Broadcasting-Einschränkungen wie beim Operator Expand.
• B:T1,T2
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer
  • Broadcasting-Unterstützung
    • Broadcasting entlang beliebiger Dimensionen wird unterstützt.
    • Broadcasting-Einschränkungen wie beim Operator Expand.

Ausgaben

• C:T1
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Datentypbeschränkungen

• T1:float16(Tensor)
• T2:float(constTensor)

AddRelu

Fusionierte Berechnung von Add und Relu, C=Relu(A+B).

Eingaben

• Wie bei Add.

Ausgaben

• Wie bei Add.

BatchNormalization

Führt Batch-Normalisierung des Eingabetensors gemäß https://arxiv.org/abs/1502.03167 aus.

Eingaben

• input:T1
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Ausgaben

• output:T1
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Datentypbeschränkungen

• T1:float16(Tensor)

Attribute

• epsilon: float (Standardwert = 1e-5)
  • Reeller Wert, der beim Teilen durch die Standardabweichung eine Division durch 0 verhindert.
  • epsilon∈(0,∞]
• momentum:float
  • Parameter des gleitenden Mittelwerts beim Training.

Concat

Verknüpft eine Folge von Vektoren entlang axis zu einem Vektor. Alle Dimensionen außer axis müssen übereinstimmen.

Eingaben

• input_tensor:T
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Ausgaben

• output:T
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Datentypbeschränkungen

• T:float16(Tensor)

Attribute

• axisint64
  • axis∈{0,1,2,3}

Faltung

Faltung

Eingaben

• input_tensor:T1
  • shape:[batch,channel,height,width]
    • width: bei dilated_kernel_h>1 gilt width<16383. Zusätzliche Grenzen für die Eingangsbreite der ersten Schicht stehen in der Beschreibung der Modelleingaben.
  • Quantisierungsunterstützung
    • per-layer
• weight:T1
  • shape:[output_channel,input_channel,kernel_h,kernel_w]
    • kernel_h∈[1,31]
    • kernel_w∈[1,31]
  • Quantisierungsunterstützung
    • per-layer
    • per-channel

Ausgaben

• output:T1
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Attribute

• strides:int(strides_h,strides_w)
  • stride_h∈[1,7]
  • stride_w∈[1,7]
• pads:int(pads_top,pads_left,pads_bottom,pads_right)
  • pads_top∈[0,15]
  • pads_left∈[0,15]
  • pads_bottom∈[0,15]
  • pads_right∈[0,15]
• group:int
• dilations:int(dilations_h,dilations_w)
  • dilations_h∈[1,31]
  • dilations_w∈[1,31]

Datentypbeschränkungen

• T1:float16(Tensor)

Depthwise Convolution

Tiefenseparierbare Faltung

Eingaben

• input_tensor:T1
  • shape:[batch,channel,height,width]
    • width: bei dilated_kernel_h>1 gilt width<16383. Zusätzliche Grenzen für die Eingangsbreite der ersten Schicht stehen in der Beschreibung der Modelleingaben.
  • Quantisierungsunterstützung
    • per-layer
• weight:T1
  • shape:[output_channel,input_channel,kernel_h,kernel_w]
    • kernel_h∈[1,8]
    • kernel_w∈[1,8]
  • Quantisierungsunterstützung
    • per-layer
    • per-channel

Ausgaben

• output:T1
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Attribute

• strides:int(strides_h,strides_w)
  • stride_h∈[1,7]
  • stride_w∈[1,7]
• pads:int(pads_top,pads_left,pads_bottom,pads_right)
  • pads_top∈[0,15]
  • pads_left∈[0,15]
  • pads_bottom∈[0,15]
  • pads_right∈[0,15]
• group:int
• dilations:int(dilations_h,dilations_w)
  • dilations_h∈[1,32]
  • dilations_w∈[1,32]

Datentypbeschränkungen

• T1:float16(Tensor)

ConvolutionRelu

Fusionierte Berechnung von Convolution und Relu, Output=Relu(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionClip

Fusionierte Berechnung von Convolution und Clip, Output=Clip(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionPRelu/LeakyRelu

Fusionierte Berechnung von Convolution und PRelu/LeakyRelu, Output = PRelu(Conv(Input)) oder Output = LeakyRelu(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionAdd

Fusionierte Berechnung von Convolution und Add, Output=Add(Conv(Input0),Input1). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionSigmoid

Fusionierte Berechnung von Convolution und Sigmoid, Output=Sigmoid(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionTanh

Fusionierte Berechnung von Convolution und Tanh, Output=Tanh(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionSoftplus

Fusionierte Berechnung von Convolution und Softplus, Output=Softplus(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionHardSigmoid

Fusionierte Berechnung von Convolution und HardSigmoid, Output=HardSigmoid(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionHardSwish

Fusionierte Berechnung von Convolution und HardSwish, Output=HardSwish(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionElu

Fusionierte Berechnung von Convolution und Elu, Output=Elu(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionSwish

Fusionierte Berechnung von Convolution und Swish, Output=Swish(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvolutionMish

Fusionierte Berechnung von Convolution und Mish, Output=Mish(Conv(Input)). Beschreibung und Spezifikationsgrenzen entsprechen Convolution.

ConvTranspose

Transponierte Faltung

Eingaben

• input_tensor:T1
  • shape:[batch,channel,height,width]
    • width: bei dilated_kernel_h>1 gilt width<16383. Zusätzliche Grenzen für die Eingangsbreite der ersten Schicht stehen in der Beschreibung der Modelleingaben.
• Quantisierungsunterstützung
  • per-layer
• weight:T1
  • shape:[output_channel,input_channel,kernel_h,kernel_w]
    • kernel_h∈[1,31]
    • kernel_w∈[1,31]
  • Quantisierungsunterstützung
    • per-layer
    • per-channel

Ausgaben

• output:T1
  • shape:[batch,channel,height,width]
  • Quantisierungsunterstützung
    • per-layer

Attribute

• strides:int(strides_h,strides_w)
  • stride_h∈[1,8]
  • stride_w∈[1,8]
• pads:int(pads_top,pads_left,pads_bottom,pads_right). Beim Festlegen von pad werden folgende Fälle nicht unterstützt: kernel_hdilations_h-dilations_h-pads_top<0; kernel_wdilations_w-dilations_w-pads_left<0; stride_h(height-1)-pads_top+1<output_h; stride_w(width-1)-pads_left+1<output_w.
  • pads_top∈[0,15]
  • pads_left∈[0,15]
  • pads_bottom∈[0,15]
  • pads_right∈[0,15]
• group:int
  • group: nur 1 wird unterstützt; num_output ist genau dann unterstützt, wenn num_input=num_output.
• dilations:int(dilations_h,dilations_w)
  • dilations_h∈[1,32]
  • dilations_w∈[1,32]
  • Bei dilation ungleich (1,1) wird nur kernel=(1,1) unterstützt.

Datentypbeschränkungen

• T1:float16(Tensor)