计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载本文基于 Kornia 仓库 changelog.d/migration-085.fixed.md 中的修复记录深入解析HyNet与SOSNet两个局部图像描述符网络在半精度float16/bfloat16下无法在 CPU 运行、且退化 patch 输出全 NaN 的两大缺陷一条缺陷源自avg_pool3d在 CPU 上没有半精度 kernel另一条源自1e-10的eps在float16中不可表示而冲刷为 0。读完本文你将理解该修复的设计决策、实现细节sosnet.py、hynet.py、对应的测试保障以及该变更对半精度描述符数值行为的影响。修复背景一条迁移记录里的两个缺陷在 Kornia 的 changelog 驱动开发流程中changelog.d/目录下的每条migration-*.fixed.md记录了一个已合入的缺陷修复。本次记录对应 issue #4224PR #4225明确说明HyNet和SOSNet现在可以在半精度下运行——无论是 CPU 还是 GPU——并且对退化 patch 不再返回 NaN。修复前两个缺陷坐在同一行代码上two defects sat on the same line即位于两个网络forward末尾的LocalResponseNorm归一化步骤CPU 半精度 kernel 缺失两个网络的最终LocalResponseNorm收到的是一个 4 维(B, C, 1, 1)张量而torch.nn.functional.local_response_norm对 4 维输入会路由到avg_pool3d该 kernel 在 CPU 上没有float16/bfloat16实现因此无论输入是什么CPU 上都会直接抛出NotImplementedError: avg_pool3d_out_frame not implemented for HalfBFloat16拼写同样不存在该实现float16下eps冲刷为 0 导致 0/0在float16且 kernel 存在的设备如 MPS、CUDA上只要网络把某个 patch 映射到恰好为零的激活描述符就会全部变成 NaN。缺陷一local_response_norm的avg_pool3d路由与 CPU kernel 缺失LocalResponseNorm在描述符网络中的角色先看两个网络的归一化步骤在源码中的位置SOSNet.forward特征提取层输出descr后self.desc_norm nn.Sequential(nn.LocalResponseNorm(256, alpha256.0, beta0.5, k0.0))即对每个描述符向量执行 L2 归一化。HyNet.forwardself.desc_norm nn.LocalResponseNorm(2 * self.dim_desc, 2.0 * self.dim_desc, 0.5, 0.0)同样在末尾做归一化。这两个desc_norm的输入形状都是(B, C, 1, 1)——特征图已经过kernel_size8的全局卷积SOSNet 的最后一个Conv2d(128, 128, kernel_size8)、HyNet 的Conv2d(128, dim_desc, kernel_size8)压缩为单像素。而 PyTorch 的F.local_response_norm对 4 维输入会通过avg_pool3d计算邻域平方和这正是缺陷所在avg_pool3d的 CPU kernel 对半精度数据类型没有注册实现于是 CPU 上所有半精度调用都会撞上NotImplementedError。这也是为什么修复记录强调该归一化步骤与kornia.feature.siftdesc中给eps守卫的保护不同siftdesc的守卫只针对float16做提升原因见缺陷二而此处由于 CPU kernel 缺口同时覆盖float16与bfloat16两种 dtype必须做一个更宽的提升。缺陷二1e-10的eps在float16中不可表示常数 patch 如何一路走到恰好为零eps的作用是保证归一化的除法在描述符向量恰好为零时依然有定义SOSNet.forward(input, eps: float 1e-10)sosnet.py 中eps在descr eps中加入desc_norm内部用该值做除法分母的守卫。HyNet.forward(x)hynet.py 中eps_l2_norm: float 1e-10同样在desc_norm的除法中起守卫作用。关键事实是这两个网络的任意常数 patch 都会精确走到零激活SOSNet 中每个Conv2d都是biasFalse每个BatchNorm2d都是affineFalse见 sosnet.py 的nn.Sequential结构因此一个常数 patch 经过零偏置卷积与无仿射参数的 BatchNorm 后到达归一化层的值就是精确的 0。HyNet 只有在is_biasFalse配置下才会走到零hynet.py因为 HyNet 使用FilterResponseNorm2dTLU阈值线性单元组合TLU 的偏置开启时归一化前的张量永远不会精确落在 0 上。float16与bfloat16的本质差异修复记录给出了精确的数值解释float16的指数范围有限1e-10不可表示会被冲刷flush为0.0于是除法变成0/0产生 NaN。这是 MPS/CUDA 等 kernel 存在的设备上出现全 NaN 的根因。bfloat16保留了float32的指数范围只是尾数精度更低因此1e-10在bfloat16中依然可表示守卫在这里是存活的bfloat16只受 CPU kernel 缺失问题影响。这也解释了为何siftdesc的_rootsiftsiftdesc.py只对float16做提升SIFT 的守卫面临的是同样的eps不可表示问题但不存在 CPUavg_pool3d的 dtype 覆盖差异——bfloat16那里没有1e-10冲刷问题所以只需要保护float16。修复方案归一化步骤提升到float32再回写修复的核心决策是无论输入是float16还是bfloat16都只把最后那一步归一化提升到float32计算再转回原 dtype。两个网络的具体实现# SOSNet.forward 的归一化分支sosnet.py if descr.dtype in (torch.float16, torch.bfloat16): descr self.desc_norm(descr.float() eps).to(descr.dtype) else: descr self.desc_norm(descr eps)# HyNet.forward 的归一化分支hynet.py if x.dtype in (torch.float16, torch.bfloat16): x self.desc_norm(x.float() self.eps_l2_norm).to(x.dtype) else: x self.desc_norm(x self.eps_l2_norm)设计要点提升范围最小化只提升归一化这一步而不是整个网络前向。网络的卷积、归一化主体仍以半精度执行从而保留半精度的性能收益。覆盖两种 half dtypefloat16解决eps冲刷问题bfloat16解决 CPU kernel 缺失问题一次dtype in (torch.float16, torch.bfloat16)的分支同时覆盖两者——比siftdesc的float16单独提升更宽原因正如前文所述CPU kernel 缺口对两种 dtype 都成立。float32/float64完全不动这两种精度走原始表达式在 CPU、CUDA、MPS 上逐位bitwise不变即常规精度用户不会观察到任何行为变化。注意HyNet的提升分支中x.float() self.eps_l2_norm的加法发生在float32域内确保1e-10以float32语义参与运算而非先被截断。数值行为变化半精度输出会变但变得更准修复并非零成本半精度描述符的输出会改变因此该变更是一次有意的数值语义调整而不是纯粹的 bug 修复。changelog 给出了可验证的量化结论输出变化幅度为0.25–2.25 epseps即 dtype 的单位舍入误差量级。变化最大的方向是朝向float64参考值移动而不是仅仅远离 NaNSOSNet在float16下对float64同权重模型的最大绝对误差从2.15e-03降到2.28e-04即误差下降约一个数量级。未改进的配置也保持在原值一个eps之内即不会引入明显退化。由此带来的兼容性提示半精度描述符在本版本前后不再逐位可比。如果你的应用依赖跨版本的半精度描述符做缓存、数据库索引或位级比对升级后需要重新生成。测试保障退化 patch 与编译路径的双重守护该修复在测试层有多重验证test_sosnet.py、test_hynet.py1. 退化 patch 有限性测试直接回归守护# test_sosnet.py: test_degenerate_patch_gives_finite_descriptors pytest.mark.parametrize(patch_value, [0.0, 0.5]) def test_degenerate_patch_gives_finite_descriptors(self, device, dtype, patch_value): patches torch.full((2, 1, 32, 32), patch_value, devicedevice, dtypedtype) sosnet SOSNet().to(device, dtype).eval() descriptors sosnet(patches) assert torch.isfinite(descriptors).all(), ...对应地test_hynet.py 的test_degenerate_patch_gives_finite_descriptors额外参数化is_bias为True/False覆盖 HyNet 走到精确零is_biasFalse与不走零is_biasTrue两种路径。两个测试都使用torch.full构造常数 patch并在全部设备 × dtype 组合下断言输出无 NaN/Inf。2. 编译路径守护两个测试类都包含test_dynamo、test_dynamo_fullgraphtorch.compile(..., fullgraphTrue)与test_jit。测试注释明确指出归一化的 dtype 分支读取的是静态元数据torch._dynamo在 trace 时即可解析该分支因此编译后的结果必须与 eager 一致——包括被提升的半精度路径若分支被错误丢弃会重新返回 NaN。同时docs/source/_data/export_support.json中记录了feature.HyNet与feature.SOSNet为可捕获capturable模型本次修复不能引入 graph break。使用与验证如何在自己环境中复现复现修复前后差异的最小脚本基于仓库中公开的 APIkornia/feature/__init__.py中SOSNet、HyNet、FilterResponseNorm2d均已导出import torch from kornia.feature import SOSNet, HyNet for dtype in (torch.float16, torch.bfloat16, torch.float32, torch.float64): patches torch.full((2, 1, 32, 32), 0.5, dtypedtype) sosnet SOSNet().to(dtype).eval() descs sosnet(patches) print(fSOSNet {dtype}: finite{torch.isfinite(descs).all().item()} shape{tuple(descs.shape)}) hynet HyNet(is_biasFalse).to(dtype).eval() descs hynet(patches) print(fHyNet {dtype}: finite{torch.isfinite(descs).all().item()} shape{tuple(descs.shape)})在修复前float16的SOSNet/HyNet输出会全部为 NaNCPU 上的两种 half dtype 都会直接抛NotImplementedError修复后所有组合都应输出finiteTrue的(B, 128)描述符。更严谨的对照可参考仓库测试在float64下用同一套随机初始化的模型权重跑一次作为参考test_gradcheck中即使用torch.float64输入再比较半精度输出的最大绝对误差。总结本次修复#4224 / #4225揭示了深度学习中一个典型的隐性精度陷阱组合框架 kernel 覆盖不完整CPUavg_pool3d无 half 实现 浮点守卫值不可表示1e-10在float16中冲刷为 0而两个问题恰好落在同一行归一化代码上。修复以仅提升最后一步归一化到float32的最小侵入方案同时解决两者并通过常数 patch 有限性测试、dynamo/JIT 编译一致性测试建立长期守护。对于使用半精度推理加速的视觉应用这意味着HyNet/SOSNet描述符管线现在可以安全地在 CPU 与 GPU 上以float16/bfloat16运行代价是半精度输出相对旧版本不再逐位可比——迁移时建议按本文的量化说明重新评估数值一致性需求。赞分享计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载相关推荐Kornia 半精度修复HyNet 与 SOSNet 在 float16/bfloat16 下的 NaN 与 CPU 内核缺口解析Kornia 半精度修复HyNet 与 SOSNet 在 float16/bfloat16 下的 NaN 与 CPU 内核缺口解析 本篇文章聚焦 Kornia计算机视觉深度学习人工智能图像处理kornia 特征描述子在 float16 下的 NaN 修复SIFTDescriptor、DenseSIFTDescriptor、HardNet 半精度数值稳定性详解kornia 特征描述子在 float16 下的 NaN 修复SIFTDescriptor、DenseSIFTDescriptor、HardNet 半精度数值计算机视觉人工智能深度学习图像处理Kornia 半精度修复深度解析让 guided_blur / GuidedBlur 在 float16 与 bfloat16 下稳定运行Kornia 半精度修复深度解析让 guided_blur / GuidedBlur 在 float16 与 bfloat16 下稳定运行 导读 本篇技术文章计算机视觉深度学习人工智能图像处理创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/9/24 4:49:19 · 阅读 1.2k Kornia 修复深度解析：HyNet 与 SOSNet 半精度描述符的 CPU/GPU 稳定性改造
计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载本文基于 Kornia 仓库 changelog.d/migration-085.fixed.md 中的修复记录深入解析HyNet与SOSNet两个局部图像描述符网络在半精度float16/bfloat16下无法在 CPU 运行、且退化 patch 输出全 NaN 的两大缺陷一条缺陷源自avg_pool3d在 CPU 上没有半精度 kernel另一条源自1e-10的eps在float16中不可表示而冲刷为 0。读完本文你将理解该修复的设计决策、实现细节sosnet.py、hynet.py、对应的测试保障以及该变更对半精度描述符数值行为的影响。修复背景一条迁移记录里的两个缺陷在 Kornia 的 changelog 驱动开发流程中changelog.d/目录下的每条migration-*.fixed.md记录了一个已合入的缺陷修复。本次记录对应 issue #4224PR #4225明确说明HyNet和SOSNet现在可以在半精度下运行——无论是 CPU 还是 GPU——并且对退化 patch 不再返回 NaN。修复前两个缺陷坐在同一行代码上two defects sat on the same line即位于两个网络forward末尾的LocalResponseNorm归一化步骤CPU 半精度 kernel 缺失两个网络的最终LocalResponseNorm收到的是一个 4 维(B, C, 1, 1)张量而torch.nn.functional.local_response_norm对 4 维输入会路由到avg_pool3d该 kernel 在 CPU 上没有float16/bfloat16实现因此无论输入是什么CPU 上都会直接抛出NotImplementedError: avg_pool3d_out_frame not implemented for HalfBFloat16拼写同样不存在该实现float16下eps冲刷为 0 导致 0/0在float16且 kernel 存在的设备如 MPS、CUDA上只要网络把某个 patch 映射到恰好为零的激活描述符就会全部变成 NaN。缺陷一local_response_norm的avg_pool3d路由与 CPU kernel 缺失LocalResponseNorm在描述符网络中的角色先看两个网络的归一化步骤在源码中的位置SOSNet.forward特征提取层输出descr后self.desc_norm nn.Sequential(nn.LocalResponseNorm(256, alpha256.0, beta0.5, k0.0))即对每个描述符向量执行 L2 归一化。HyNet.forwardself.desc_norm nn.LocalResponseNorm(2 * self.dim_desc, 2.0 * self.dim_desc, 0.5, 0.0)同样在末尾做归一化。这两个desc_norm的输入形状都是(B, C, 1, 1)——特征图已经过kernel_size8的全局卷积SOSNet 的最后一个Conv2d(128, 128, kernel_size8)、HyNet 的Conv2d(128, dim_desc, kernel_size8)压缩为单像素。而 PyTorch 的F.local_response_norm对 4 维输入会通过avg_pool3d计算邻域平方和这正是缺陷所在avg_pool3d的 CPU kernel 对半精度数据类型没有注册实现于是 CPU 上所有半精度调用都会撞上NotImplementedError。这也是为什么修复记录强调该归一化步骤与kornia.feature.siftdesc中给eps守卫的保护不同siftdesc的守卫只针对float16做提升原因见缺陷二而此处由于 CPU kernel 缺口同时覆盖float16与bfloat16两种 dtype必须做一个更宽的提升。缺陷二1e-10的eps在float16中不可表示常数 patch 如何一路走到恰好为零eps的作用是保证归一化的除法在描述符向量恰好为零时依然有定义SOSNet.forward(input, eps: float 1e-10)sosnet.py 中eps在descr eps中加入desc_norm内部用该值做除法分母的守卫。HyNet.forward(x)hynet.py 中eps_l2_norm: float 1e-10同样在desc_norm的除法中起守卫作用。关键事实是这两个网络的任意常数 patch 都会精确走到零激活SOSNet 中每个Conv2d都是biasFalse每个BatchNorm2d都是affineFalse见 sosnet.py 的nn.Sequential结构因此一个常数 patch 经过零偏置卷积与无仿射参数的 BatchNorm 后到达归一化层的值就是精确的 0。HyNet 只有在is_biasFalse配置下才会走到零hynet.py因为 HyNet 使用FilterResponseNorm2dTLU阈值线性单元组合TLU 的偏置开启时归一化前的张量永远不会精确落在 0 上。float16与bfloat16的本质差异修复记录给出了精确的数值解释float16的指数范围有限1e-10不可表示会被冲刷flush为0.0于是除法变成0/0产生 NaN。这是 MPS/CUDA 等 kernel 存在的设备上出现全 NaN 的根因。bfloat16保留了float32的指数范围只是尾数精度更低因此1e-10在bfloat16中依然可表示守卫在这里是存活的bfloat16只受 CPU kernel 缺失问题影响。这也解释了为何siftdesc的_rootsiftsiftdesc.py只对float16做提升SIFT 的守卫面临的是同样的eps不可表示问题但不存在 CPUavg_pool3d的 dtype 覆盖差异——bfloat16那里没有1e-10冲刷问题所以只需要保护float16。修复方案归一化步骤提升到float32再回写修复的核心决策是无论输入是float16还是bfloat16都只把最后那一步归一化提升到float32计算再转回原 dtype。两个网络的具体实现# SOSNet.forward 的归一化分支sosnet.py if descr.dtype in (torch.float16, torch.bfloat16): descr self.desc_norm(descr.float() eps).to(descr.dtype) else: descr self.desc_norm(descr eps)# HyNet.forward 的归一化分支hynet.py if x.dtype in (torch.float16, torch.bfloat16): x self.desc_norm(x.float() self.eps_l2_norm).to(x.dtype) else: x self.desc_norm(x self.eps_l2_norm)设计要点提升范围最小化只提升归一化这一步而不是整个网络前向。网络的卷积、归一化主体仍以半精度执行从而保留半精度的性能收益。覆盖两种 half dtypefloat16解决eps冲刷问题bfloat16解决 CPU kernel 缺失问题一次dtype in (torch.float16, torch.bfloat16)的分支同时覆盖两者——比siftdesc的float16单独提升更宽原因正如前文所述CPU kernel 缺口对两种 dtype 都成立。float32/float64完全不动这两种精度走原始表达式在 CPU、CUDA、MPS 上逐位bitwise不变即常规精度用户不会观察到任何行为变化。注意HyNet的提升分支中x.float() self.eps_l2_norm的加法发生在float32域内确保1e-10以float32语义参与运算而非先被截断。数值行为变化半精度输出会变但变得更准修复并非零成本半精度描述符的输出会改变因此该变更是一次有意的数值语义调整而不是纯粹的 bug 修复。changelog 给出了可验证的量化结论输出变化幅度为0.25–2.25 epseps即 dtype 的单位舍入误差量级。变化最大的方向是朝向float64参考值移动而不是仅仅远离 NaNSOSNet在float16下对float64同权重模型的最大绝对误差从2.15e-03降到2.28e-04即误差下降约一个数量级。未改进的配置也保持在原值一个eps之内即不会引入明显退化。由此带来的兼容性提示半精度描述符在本版本前后不再逐位可比。如果你的应用依赖跨版本的半精度描述符做缓存、数据库索引或位级比对升级后需要重新生成。测试保障退化 patch 与编译路径的双重守护该修复在测试层有多重验证test_sosnet.py、test_hynet.py1. 退化 patch 有限性测试直接回归守护# test_sosnet.py: test_degenerate_patch_gives_finite_descriptors pytest.mark.parametrize(patch_value, [0.0, 0.5]) def test_degenerate_patch_gives_finite_descriptors(self, device, dtype, patch_value): patches torch.full((2, 1, 32, 32), patch_value, devicedevice, dtypedtype) sosnet SOSNet().to(device, dtype).eval() descriptors sosnet(patches) assert torch.isfinite(descriptors).all(), ...对应地test_hynet.py 的test_degenerate_patch_gives_finite_descriptors额外参数化is_bias为True/False覆盖 HyNet 走到精确零is_biasFalse与不走零is_biasTrue两种路径。两个测试都使用torch.full构造常数 patch并在全部设备 × dtype 组合下断言输出无 NaN/Inf。2. 编译路径守护两个测试类都包含test_dynamo、test_dynamo_fullgraphtorch.compile(..., fullgraphTrue)与test_jit。测试注释明确指出归一化的 dtype 分支读取的是静态元数据torch._dynamo在 trace 时即可解析该分支因此编译后的结果必须与 eager 一致——包括被提升的半精度路径若分支被错误丢弃会重新返回 NaN。同时docs/source/_data/export_support.json中记录了feature.HyNet与feature.SOSNet为可捕获capturable模型本次修复不能引入 graph break。使用与验证如何在自己环境中复现复现修复前后差异的最小脚本基于仓库中公开的 APIkornia/feature/__init__.py中SOSNet、HyNet、FilterResponseNorm2d均已导出import torch from kornia.feature import SOSNet, HyNet for dtype in (torch.float16, torch.bfloat16, torch.float32, torch.float64): patches torch.full((2, 1, 32, 32), 0.5, dtypedtype) sosnet SOSNet().to(dtype).eval() descs sosnet(patches) print(fSOSNet {dtype}: finite{torch.isfinite(descs).all().item()} shape{tuple(descs.shape)}) hynet HyNet(is_biasFalse).to(dtype).eval() descs hynet(patches) print(fHyNet {dtype}: finite{torch.isfinite(descs).all().item()} shape{tuple(descs.shape)})在修复前float16的SOSNet/HyNet输出会全部为 NaNCPU 上的两种 half dtype 都会直接抛NotImplementedError修复后所有组合都应输出finiteTrue的(B, 128)描述符。更严谨的对照可参考仓库测试在float64下用同一套随机初始化的模型权重跑一次作为参考test_gradcheck中即使用torch.float64输入再比较半精度输出的最大绝对误差。总结本次修复#4224 / #4225揭示了深度学习中一个典型的隐性精度陷阱组合框架 kernel 覆盖不完整CPUavg_pool3d无 half 实现 浮点守卫值不可表示1e-10在float16中冲刷为 0而两个问题恰好落在同一行归一化代码上。修复以仅提升最后一步归一化到float32的最小侵入方案同时解决两者并通过常数 patch 有限性测试、dynamo/JIT 编译一致性测试建立长期守护。对于使用半精度推理加速的视觉应用这意味着HyNet/SOSNet描述符管线现在可以安全地在 CPU 与 GPU 上以float16/bfloat16运行代价是半精度输出相对旧版本不再逐位可比——迁移时建议按本文的量化说明重新评估数值一致性需求。赞分享计算机视觉人工智能深度学习图像处理【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址https://gitcode.com/gh_mirrors/ko/kornia点击查看免费下载相关推荐Kornia 半精度修复HyNet 与 SOSNet 在 float16/bfloat16 下的 NaN 与 CPU 内核缺口解析Kornia 半精度修复HyNet 与 SOSNet 在 float16/bfloat16 下的 NaN 与 CPU 内核缺口解析 本篇文章聚焦 Kornia计算机视觉深度学习人工智能图像处理kornia 特征描述子在 float16 下的 NaN 修复SIFTDescriptor、DenseSIFTDescriptor、HardNet 半精度数值稳定性详解kornia 特征描述子在 float16 下的 NaN 修复SIFTDescriptor、DenseSIFTDescriptor、HardNet 半精度数值计算机视觉人工智能深度学习图像处理Kornia 半精度修复深度解析让 guided_blur / GuidedBlur 在 float16 与 bfloat16 下稳定运行Kornia 半精度修复深度解析让 guided_blur / GuidedBlur 在 float16 与 bfloat16 下稳定运行 导读 本篇技术文章计算机视觉深度学习人工智能图像处理创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考