RKNN2 V2.5.0 · RK3562：形状、切片与转置

本文为 RKNN2 V2.5.0 对应平台的算子参考，供 ArmSoM 开发者选型与模型适配时查阅。不能据此认定所有 ArmSoM 板卡均支持这些算子；需按板卡 SoC、实际 Toolkit2、Runtime、NPU 驱动及 BSP 版本核对。原稿没有统一指定适用 Linux 内核，本文未进行 ArmSoM 硬件验证。

来源：本地中英文《RKNN2 算子支持与约束参考》V2.5.0。中文依中文稿；英俄德依英文稿。两稿分别为 374/384 页。各平台限制独立保留，不将一个平台的支持结论推广到另一个平台。英文稿 I/O 原图与输出表仍含中文，本文保留其来源并另附可编辑的本地化表格。ConvTranpose 等原稿拼写及 LSTM/GRU 原始公式保留；不要将本文公式视为 SDK 实现修正。

原稿页码: CN 151–163; EN 155–168.

Rockchip RKNN2

Relu

将输入张量的负值设为零,正值保持不变

输入列表

• input:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
  • 广播支持
    • 无

输出列表

• output:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)

其他支持

• 多核联合:暂不支持

Clip/ReLU6

将输入张量的值裁剪到[0,6]范围内

输入列表

• input:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
  • 广播支持
    • 无

输出列表

• output:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)

其他支持

• 多核联合:暂不支持

PRelu

将输入张量的负值按可学习参数缩放,正值保持不变

输入列表

• input:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer/per-channel
  • 广播支持
    • 无

输出列表

• output:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer/per-channel

属性列表

• slope:PRelu系数
  • 仅支持单个标量或C维度系数

数据类型约束

• T1:int8(Tensor),float16(Tensor)

其他支持

• 多核联合:暂不支持

LeakyRelu

将输入张量的负值按固定比例缩放,正值保持不变

输入列表

• input:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
  • 广播支持
    • 无

输出列表

• output:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)

其他支持

• 多核联合:暂不支持

Reshape

在不改变输入数据和元素数量的情况下,返回一个具有指定形状的张量。

输入列表

• input:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

输出列表

• output:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)

属性列表

• shape:int
  • 指定输出张量的形状

其他支持

• 多核联合:尚不支持

Resize

调整输入张量的大小。一般来说,它将输出张量中的每个值计算为输入张量中邻域(即采样位置)的加 权平均值

输入列表

• X:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
• roi(optional):T2
  • 目前暂不支持
• scales(optional):T2
  • 沿每个维度的缩放比例数组
• sizes(optional):T3
  • 输出张量的目标大小

输出列表

• Y:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)
• T2:float(Tensor)
• T3:int64(Tensor)

属性列表

• antialias:int(默认值为0)
  • 目前不支持设置
• axes:int[]
  • 目前不支持设置
• coordinate_transformation_mode:strings(默认值为”half_pixel”)
  • 目前仅支持half_pixel,pytorch_half_pixel,align_corners三种
• cubic_coeff_a:float(默认为-0.75)
  • 目前不支持设置
• exclude_outside:int(默认值为0)
  • 目前不支持设置
• extrapolation_value:float(默认为0)
  • 目前不支持设置
• keep_aspect_ratio_policy:strings(默认值为”stretch”)
  • 目前不支持设置
• mode:strings(默认值为”nearest”)
  • 目前仅支持nearest和linear两种可配置
• nearest_mode:strings(默认值为”round_prefer_floor”)
  • 目前不支持设置 支持说明 目前仅支持宽高方向的整数倍缩放,且缩放倍数为2-8的整数倍,如果是(1,c,1,1)则支持放大到(1,c,h, w)

Slice

获得当前向量的一个切片,具体规则和numpy切片相同

输入列表

• input_tensor:T
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

输出列表

• output:T
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T:int8(Tensor),float16(Tensor)

属性列表

• starts:int(Tensor)
  • 切分的起始位置:无限制
• ends:int(Tensor)
  • 切分的终止位置:无限制
• axes:int(Tensor)
  • 选取切分的轴:支持任意0~3轴,支持同时多轴选择
• steps:int(Tensor)
  • 选取切分对应轴的步长
  • 当height*width==1&&channel%subc==0&&starts[1]%subc==0&&ends[1]%subc==0&&steps[1]<=subc时,steps可以不为1,否则只有steps==[1,1,1,1]时,才可 通过NPU运行SliceOP

Softmax

该运算符计算给定输入的归一化指数值:

Softmax(input, axis) = exp(input − max(input, axis)) / Σ_axis exp(input −max(input, axis))

“axis”属性表示Softmax执行的维度。输出张量具有相同的形状并包含相应输入的Softmax值。

输入列表

• input:T1
  • shape:[batch,channel,height,width]
    • 受限于transpose的规格限制

输出列表

• output:T1
  • shape:[batch,channel,height,width]

数据类型约束

• T1:int8(Tensor),float16(Tensor)

属性列表

• axis:int
  • 做softmax的轴:1,3,即channel和width方向

exSoftmax13

该运算符计算给定输入的归一化指数值:

exSoftmax13(input, axis) = exp(input − max(input, axis)) / Σ_axis exp(input −max(input, axis))

“axis”属性表示Softmax执行的维度。输出张量具有相同的形状并包含相应输入的Softmax值。

输入列表

• input:T1
  • shape:[batch,channel,height,width]
    • 受限于transpose的规格限制

输出列表

• output:T1
  • shape:[batch,channel,height,width]

数据类型约束

• T1:int8(Tensor),float16(Tensor)

属性列表

• axis:int64
  • 做softmax的轴:1,3,即channel和width方向

exSoftmaxMask

该运算符计算给定输入的归一化指数值:

input(x, mask_t, mask_value) =
    x + (mask_t - 1) * inf       if mask_value = 0
    x + mask_t * (-inf)          elif mask_value = 1

exSoftmaxMask(input, axis) = exp(input - max(input, axis)) / Σ_axis(exp(input - max(input, axis)))

“axis”属性表示Softmax执行的维度。输出张量具有相同的形状并包含相应输入的Softmax值。

输入列表

• input:T1
  • shape:[batch,channel,height,width]
    • 受限于transpose的规格限制
• mask(optional):T1
  • shape:[1,channel,height,width]
    • channel∈(0,8192]
    • width: · axis=1,无限制; · axis=3/-1,width∈(0,8192]

输出列表

• output:T1
  • shape:[batch,channel,height,width]

数据类型约束

• T1:int8(Tensor),float16(Tensor)

属性列表

• axis:int64
  • 做softmax的轴:1,3,即channel和width方向
• mask_value:int64
  • 需要mask的值:0,1

Split

将向量沿着axis方向分成num_outputs个向量,split用于指定切分后向量在axis方向上的大小

输入列表

• input_tensor:T
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

输出列表

• output:T
  • 一或多个输出向量,由num_outputs属性决定
  • shape:根据切分情况决定
  • 量化支持
    • per-layer

数据类型约束

• T:int8(Tensor),float16(Tensor)

属性列表

• axis:int
  • axis∈{0,1,2,3}
• num_outputs:int
• split:int(Tensor)

Sub

• 执行元素级二进制减法(C=A-B),支持多向Numpy样式的广播

输入列表

• A:T1,T2
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
  • 广播支持
    • [b,c,1,1]
    • [scalar]
• B:T1,T2
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
  • 广播支持
    • [b,c,1,1]
    • [scalar]

输出列表

• C:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)
• T2:float(constTensor)

Tile

通过平铺给定的张量构造张量,这与Numpy中的函数tile相同,但没有广播

输入列表

• input:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer
• repeats:T2
  • shape:[batch,channel,height,width]

输出列表

• output:T1
  • shape:[batch,channel,height,width]
  • 量化支持
    • per-layer

数据类型约束

• T1:int8(Tensor),float16(Tensor)
• T2:int64(Tensor)

Transpose

对输入张量进行转置

输入列表

• X:T1
  • shape:[n1,c1,h1,w1]
    • 详细约束规则见属性列表
  • 量化支持
    • per-layer

输出列表

• Y:T1,T2
  • shape:[n2,c2,h2,w2]
    • 详细约束规则见属性列表
  • 量化支持
    • per-layer

属性列表

• perm转置的轴顺序: 不同perm参数限制如下:(其中p=268435456,q=65536)
  • perm=[0,1,2,3]
    • 无限制
  • perm=[0,1,3,2]
    • T1:h1%16=0,h1w1<16p,h1w1<2q
    • T2:h1%8=0,h1w1<8p,h1w1<2q
  • perm=[0,2,3,1]
    • T1:c1<8192,h1w1%8=0,w1c1<p*16
    • T2:c1<8192,h1w1%8=0,w1c1<p*8
  • perm=[0,2,1,3]
    • T1:h1%16=0,h1w1<16p,h1w1<2q,c1*w1<p
    • T2:h1%8=0,h1w1<8p,h1w1<2q,c1*w1<p
  • perm=[0,3,1,2]
    • T1,T2:h1w1<p,w1<8192,h1c1<p
  • perm=[0,3,2,1]
    • T1:h1%16=0,h1w1<16p,h1w1<2q,c1<p*16
    • T2:h1%8=0,h1w1<8p,h1w1<2q,c1<p*8
  • perm=[1,0,2,3]
    • T1:h1w1<16p,n1<8192,h1*w1<p
    • T2:h1w1<8p,n1<8192,h1*w1<p
  • perm=[1,0,3,2]
    • T1:h1%16=0,c1h1w1<16p,h1w1<2*q
    • T2:h1%8=0,c1h1w1<8p,h1w1<2*q
  • perm=[1,2,0,3]
    • T1:n1w1<p16,c1h1w1<p,w1%16=0
    • T2:n1w1<p8,c1h1w1p,w1%8=0
  • perm=[1,2,3,0]
    • T1:h1w1<p,n1<p16,c1h1w1<p16,n1w1<p*16
    • T2:h1w1<p,n1<p8,c1h1w1<p8,n1w1<p*8
  • perm=[1,3,0,2]
    • T1:c1w1<8192,n1h1<p,w1%16=0
    • T2:c1w1<8192,n1h1<p,w1%8=0
  • perm=[1,3,2,0]
    • T1:c1h1w1<p,n1*h1<p,w1<8192,w1%16=0
    • T2:c1h1w1<p,n1*h1<p,w1<8192,w1%8=0
  • perm=[2,1,0,3]
    • T1,T2:c1<8192,c1h1w1<p,n1*w1<p
  • perm=[2,1,3,0]
    • T1:c1h1w1<p,n1w1<p16,c1<8192,n1*w1%4=0
    • T2:c1h1w1<p,n1w1<p8,c1<8192,n1*w1%4=0
  • perm=[2,0,3,1]
    • T1,T2:c1<8192,c1h1w1<p
  • perm=[2,0,1,3]
    • T1:n1c1h1w1<p,h1w1%16=0
    • T2:n1c1h1w1<p,h1w1%8=0
  • perm=[2,3,1,0]
    • T1:c1h1w1<p,n1c1<p,h1w1<8192,h1*w1%16=0
    • T2:c1h1w1<p,n1c1<p,h1w1<8192,h1*w1%8=0
  • perm=[2,3,0,1]
    • T1,T2:h1w1<8192,n1c1<p
  • perm=[3,0,2,1]
    • T1:h1w1<p,n1c1<8192,c1h1<p,n1w1<8192,n1*w1%16=0
    • T2:h1w1<p,n1c1<8192,c1h1<p,n1w1<8192,n1*w1%8=0
  • perm=[3,0,1,2]
    • T1:h1w1<p,n1c1<8192,c1h1<p,n1w1<8192,n1h1w1%16=0
    • T2:h1w1<p,n1c1<8192,c1h1<p,n1w1<8192,n1h1w1%8=0
  • perm=[3,2,0,1]
    • T1,T2:h1w1<p,n1c1<8192,n1c1w1<p
  • perm=[3,2,1,0]
    • T1:c1h1w1<p,h1w1<8192,2h1w1<q,n1c1<p*16,h1%16=0
    • T2:c1h1w1<p,h1w1<8192,2h1w1<q,n1c1<p*8,h1%8=0
  • perm=[3,1,0,2]
    • T1,T2:h1w1<p,c1w1<8192,n1*h1<p
  • perm=[3,1,2,0]
    • T1,T2:h1w1<p,n1c1<8192,n1h1<p,n1c1*w1<p

数据类型约束

• T1:int8(Tensor)
• T2:int16(Tensor),float16(Tensor)

其他支持

• 多核联合:暂不支持