conv2d

class torch.ao.nn.quantized.functional.conv2d(input, weight, bias, stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', scale=1.0, zero_point=0, dtype=torch.quint8) [исходный код]

Применяет двумерную свёртку к квантованному двумерному входному тензору, состоящему из нескольких входных плоскостей.

Подробную информацию и сведения о форме выходного тензора см. в Conv2d.

Параметры:

• input – квантованный входной тензор формы $(\text{minibatch} , \text{in\_channels} , iH , iW)$
• weight – квантованные фильтры формы $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)$
• bias – неквантованный тензор смещения формы $(\text{out\_channels})$. Тип тензора должен быть torch.float.
• stride – шаг свёрточного ядра. Может быть одним числом или кортежем (sH, sW). Значение по умолчанию: 1
• padding – неявное дополнение с обеих сторон входного тензора. Может быть одним числом или кортежем (padH, padW). Значение по умолчанию: 0
• dilation – расстояние между элементами ядра. Может быть одним числом или кортежем (dH, dW). Значение по умолчанию: 1
• groups – разделение входного тензора на группы; $\text{in\_channels}$ должно делиться на число групп. Значение по умолчанию: 1
• padding_mode – используемый режим дополнения. В настоящее время для квантованной свёртки поддерживается только “zeros”. Значение по умолчанию: “zeros”
• scale – масштаб квантования выходного тензора. Значение по умолчанию: 1.0
• zero_point – нулевая точка квантования выходного тензора. Значение по умолчанию: 0
• dtype – используемый тип данных квантования. Значение по умолчанию: torch.quint8

Примеры:

>>> from torch.ao.nn.quantized import functional as qF
>>> filters = torch.randn(8, 4, 3, 3, dtype=torch.float)
>>> inputs = torch.randn(1, 4, 5, 5, dtype=torch.float)
>>> bias = torch.randn(8, dtype=torch.float)
>>>
>>> scale, zero_point = 1.0, 0
>>> dtype_inputs = torch.quint8
>>> dtype_filters = torch.qint8
>>>
>>> q_filters = torch.quantize_per_tensor(filters, scale, zero_point, dtype_filters)
>>> q_inputs = torch.quantize_per_tensor(inputs, scale, zero_point, dtype_inputs)
>>> qF.conv2d(q_inputs, q_filters, bias, padding=1, scale=scale, zero_point=zero_point)