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)[源代码]¶
对由多个输入平面组成的量化二维输入应用二维卷积。
有关详细信息和输出形状,请参见
Conv2d
。- 参数
input – 形状为 的量化输入张量。
weight – 形状为 的量化过滤器。
bias – 形状为 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 (sH, 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 (padH, padW)。默认值:0
dilation – 内核元素之间的间距。可以是单个数字或元组 (dH, dW)。默认值:1
groups – 将输入分成组, 应该可以被组数整除。默认值:1
padding_mode – 要使用的填充模式。目前仅支持 “zeros” 用于量化卷积。默认值:”zeros”
scale – 输出的量化比例。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(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)