torch.fake_quantize_per_channel_affine

torch.fake_quantize_per_channel_affine(input, scale, zero_point, axis, quant_min, quant_max) → Tensor

返回一個新張量，其中的資料是根據 input 的每個通道，使用 scale、zero_point、quant_min 和 quant_max 沿 axis 指定的通道進行假量化後的結果。

$$\text{output} = ( min( \text{quant\_max}, max( \text{quant\_min}, \text{std::nearby\_int}(\text{input} / \text{scale}) + \text{zero\_point} ) ) - \text{zero\_point} ) \times \text{scale}$$

引數

• input (Tensor) – 輸入值，型別為 torch.float32

• scale (Tensor) – 量化比例，按通道提供，型別為 torch.float32

• zero_point (Tensor) – 量化零點，按通道提供，型別為 torch.int32 或 torch.half 或 torch.float32

• axis (int32) – 通道軸

• quant_min (int64) – 量化域的下限

• quant_max (int64) – 量化域的上限

返回

一個新的按通道假量化的 torch.float32 張量

返回型別

Tensor

示例

>>> x = torch.randn(2, 2, 2)
>>> x
tensor([[[-0.2525, -0.0466],
         [ 0.3491, -0.2168]],

        [[-0.5906,  1.6258],
         [ 0.6444, -0.0542]]])
>>> scales = (torch.randn(2) + 1) * 0.05
>>> scales
tensor([0.0475, 0.0486])
>>> zero_points = torch.zeros(2).to(torch.int32)
>>> zero_points
tensor([0, 0])
>>> torch.fake_quantize_per_channel_affine(x, scales, zero_points, 1, 0, 255)
tensor([[[0.0000, 0.0000],
         [0.3405, 0.0000]],

        [[0.0000, 1.6134],
        [0.6323, 0.0000]]])