torch.nn.utils.convert_conv3d_weight_memory_format

torch.nn.utils.convert_conv3d_weight_memory_format(module, memory_format)

將 nn.Conv3d.weight 的 memory_format 轉換為指定的 memory_format。此轉換遞迴應用於巢狀的 nn.Module，包括 module 本身。請注意，它只改變 memory_format，而不改變每個維度的語義。此函式用於促使計算採用 NHWC 核，這在計算能力 >= 7.0 的 CUDA 裝置上為 fp16 資料提供了顯著的速度提升。

注意

呼叫 model.to(memory_format=torch.channels_last_3d) 比 utility 函式 convert_conv3d_weight_memory_format 更具侵略性。任何帶有 4d 權重的層都會受到 model.to 的影響，而這些層不一定能從轉換為指定的 memory_format 中受益。我們有信心的一點是 cuDNN 中卷積的 NDHWC(channels_last_3d) 轉換，因為即使在必須對輸入張量應用排列的情況下，在 NDHWC 中運行卷積也是有益的。

因此，我們的策略是僅將卷積的權重轉換為 channels_last_3d。這確保了：1. 將使用快速卷積核，其好處可能超過排列的開銷（如果輸入不是相同格式）。2. 不會對不從 memory_format 轉換中受益的層應用不必要的排列。

最優情況是，卷積層之間的層與 channels last 格式相容。輸入張量在遇到第一個卷積層時會被排列為 channels last 格式並保持該記憶體格式。因此，後續的卷積不需要對其輸入張量進行排列。

在卷積層之間存在 channels last 不相容層的情況下，我們需要將該層的輸入張量重新排列回 contiguous 格式。輸入張量將以 contiguous 格式透過剩餘的層，並在遇到另一個卷積層時被排列為 channels last 格式。將該排列傳播到較早的層沒有意義，因為大多數層對 memory_format 相當不敏感。

當 PyTorch 支援排列融合時，這種說法可能會改變，因為可能存在比緊接在卷積之前更好的排列融合位置。

引數

• module (nn.Module) – nn.Conv3d 和 nn.ConvTranspose3d 或容器 nn.Module

• memory_format – 使用者指定的 memory_format，例如 torch.channels_last 或 torch.contiguous_format

返回值

更新了 nn.Conv3d 的原始模組

示例

>>> input = torch.randint(1, 10, (2, 8, 4, 4, 4), dtype=torch.float16, device="cuda")
>>> model = nn.Sequential(
>>>     nn.Conv3d(8, 4, 3)).cuda().half()
>>> # This is identical to:
>>> # nn.utils.convert_conv3d_weight_memory_format(model, torch.channels_last_3d)
>>> model = nn.utils.convert_conv3d_weight_memory_format(model, torch.channels_last_3d)
>>> out = model(input)