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)

對由多個輸入平面組成的量化 2D 輸入應用 2D 卷積。

有關詳細資訊和輸出形狀，請參閱Conv2d。

引數

• input – 形狀為 $(\text{minibatch} , \text{in\_channels} , iH , iW)$ 的量化輸入張量

• weight – 形狀為 $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kH , kW)$ 的量化權重

• bias – 形狀為 $(\text{out\_channels})$ 的**非量化**偏置張量。張量型別必須為 torch.float。

• stride – 卷積核的步長。可以是單個數字或元組 (sH, sW)。預設值：1

• padding – 輸入兩側的隱式填充。可以是單個數字或元組 (padH, padW)。預設值：0

• dilation – 核心元素之間的間距。可以是單個數字或元組 (dH, dW)。預設值：1

• groups – 將輸入分成組，$\text{in\_channels}$ 應能被組數整除。預設值：1

• padding_mode – 要使用的填充模式。目前量化卷積僅支援“zeros”。預設值：“zeros”

• scale – 輸出的量化比例因子。預設值：1.0

• zero_point – 輸出的量化零點。預設值：0

• dtype – 要使用的量化資料型別。預設值：torch.quint8

示例

>>> 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)