torch.nn.utils.convert_conv2d_weight_memory_format

torch.nn.utils.convert_conv2d_weight_memory_format(module, memory_format)

转换 nn.Conv2d.weight 的 memory_format 为 memory_format。

此转换递归地应用于嵌套的 nn.Module，包括 module。请注意，它仅更改 memory_format，但不更改每个维度的语义。此函数用于方便计算以采用 NHWC 内核，这为计算能力 >= 7.0 的 CUDA 设备上的 fp16 数据提供了可观的速度提升

注意

调用 model.to(memory_format=torch.channels_last) 比实用函数 convert_conv2d_weight_memory_format 更激进。任何具有 4d 权重的层都会受到 model.to 的影响，这不一定受益于转换为指定的 memory_format。我们确信的一个地方是 cuDNN 中卷积的 NHWC(channels_last) 转换，因为它有利于在 NHWC 中运行卷积，即使在必须对输入张量应用排列的情况下也是如此。

因此，我们这里的策略是仅将卷积的权重转换为 channels_last。这确保了； 1. 将使用快速卷积内核，其好处可能超过排列的开销（如果输入不是相同的格式）。 2. 不会在不从 memory_format 转换中受益的层上应用不必要的排列。

最佳情况是，卷积层之间的层与 channels last 兼容。输入张量在遇到第一个卷积层时将被排列为 channels last 格式，并保持该内存格式。因此，后续卷积将不需要排列其输入张量。

在卷积层之间存在 channels last 不兼容层的情况下，我们需要将输入张量排列回连续格式以用于该层。输入张量将以连续格式通过剩余层，并在遇到另一个卷积层时被排列为 channels last 格式。将该排列传播到更早的层没有意义，因为大多数层对 memory_format 非常不可知。

当 PyTorch 支持排列融合时，此声明可能会发生变化，因为可能会有比紧接在卷积之前融合排列更好的位置。

参数

• module (nn.Module) – nn.Conv2d & nn.ConvTranspose2d 或容器 nn.Module

• memory_format – 用户指定的 memory_format，例如 torch.channels_last 或 torch.contiguous_format

返回

更新了 nn.Conv2d 的原始模块

示例

>>> input = torch.randint(1, 10, (2, 8, 4, 4), dtype=torch.float16, device="cuda")
>>> model = nn.Sequential(
>>>     nn.Conv2d(8, 4, 3)).cuda().half()
>>> # This is identical to:
>>> # nn.utils.convert_conv2d_weight_memory_format(model, torch.channels_last)
>>> model = nn.utils.convert_conv2d_weight_memory_format(model, torch.channels_last)
>>> out = model(input)