大家在板端部署的时候可能会发现模型的输入输出tensor有两个属性：**validShape** 以及 **alignedShape**。这是因为BPU有 **stride** 要求，**alignedShape** 就是 **stride** 对齐后的数据大小，**validShape**为原始大小。
在实际运行时模型输入大小为
**alignedShape**，因此数据预处理时不可避免需要完成 padding 的动作（ padding 值只能为0），对于图像输入类模型，只需在推理之前按**alignedByteSize**申请内存空间并指定**alignedShape = validShape**，预测库 DNN 会依据此信号完成 padding 操作；但如果是 featuremap 输入的模型，则需要大家在预处理时自行完成 padding 操作。-
对于模型输出 tensor，若以 bpu 节点直接结尾，则需要按**alignedShape**设置 for 循环的步长，将 padding 部分跳过。若模型尾部有其余 cpu 节点，则 BPU 与 CPU 发生数据传输时已由预测库 DNN 完成了 remove padding 操作，用户无需关注。
1 对齐规则
依据数据排布方式不同，模型输入输出tensor的对齐规则会有所不同：
NHWC： 当输入 C＞4 时或输出时，C bytes 对齐256 * {0, 1, ...} + {0, 16, 32, 64, 128}；当C ≤ 4时，H对齐到2，W对齐到32NCHW：W bytes对齐256 * {0, 1, ...} + {0, 16, 32, 64, 128}
对于
**HB_DNN_IMG_TYPE_NV12**，要求模型输入的 H&W 必须为偶数。-
**HB_DNN_IMG_TYPE_NV12**以及**HB_DNN_IMG_TYPE_Y**这两种数据类型的对齐规则是只要求W为16的倍数，不需要完全按照**alignedShape**进行对齐。-
（预测库 DNN 支持的数据类型 HB_DNN_xxx 与转换配置的input_type_rt对应关系可参考 PTQ&QAT方案板端验证注意事项 1.1节）
bytes对齐的计算方式可参考后文两个示例。
2 示例
示例 1
该示例中tensor_type为int32，占四个字节。tensor的C维度从425被对齐到了448。计算方式如下：
1. C维度的字节数除以256取余：
(425 * sizeof(tensor_type)) % 256 = (425 * 4) % 256 = 164
2. 由于 164 > 128，则向上对齐到256：
(256 - 164)/sizeof(tensor_type) = 92/4 = 23-
3. 最终：
aligned_shape.C = 425+23 = 448
示例 2
该示例中tensor_type为int8，只占一个字节。tensor的C维度从425被对齐到了512。计算方式如下：
1. C维度的字节数除以256取余：
(425 * sizeof(tensor_type)) % 256 = 425 % 256 = 169-
2. 由于 169 > 128，则向上对齐到256：
(256 - 169) / sizeof(tensor_type) = 87-
3. 最终：
aligned_shape.C = 425 + 87 = 512