conv1d

class torch.ao.nn.quantized.functional.conv1d(input, weight, bias, stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', scale=1.0, zero_point=0, dtype=torch.quint8)

对由多个输入平面组成的量化一维输入应用一维卷积。

有关详细信息和输出形状，请参见 Conv1d。

参数

• input – 形状为 $(\text{minibatch} , \text{in\_channels} , iW)$ 的量化输入张量。

• weight – 形状为 $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , iW)$ 的量化滤波器。

• bias – 形状为 $(\text{out\_channels})$ 的**非量化**偏置张量。张量类型必须为 torch.float。

• stride – 卷积核的步长。可以是单个数字或元组 (sW,)。默认值：1

• padding – 输入两侧的隐式填充。可以是单个数字或元组 (padW,)。默认值：0

• dilation – 核元素之间的间距。可以是单个数字或元组 (dW,)。默认值：1

• groups – 将输入分成组，$\text{in\_channels}$ 应可被组数整除。默认值：1

• padding_mode – 要使用的填充模式。目前，量化卷积仅支持“zeros”。默认值：“zeros”

• scale – 输出的量化刻度。默认值：1.0

• zero_point – 输出的量化零点。默认值：0

• dtype – 要使用的量化数据类型。默认值：torch.quint8

示例

>>> from torch.ao.nn.quantized import functional as qF
>>> filters = torch.randn(33, 16, 3, dtype=torch.float)
>>> inputs = torch.randn(20, 16, 50, dtype=torch.float)
>>> bias = torch.randn(33, 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.conv1d(q_inputs, q_filters, bias, padding=1, scale=scale, zero_point=zero_point)