torch.nn.utils.convert_conv3d_weight_memory_format

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

将 nn.Conv3d.weight 的 memory_format 转换为 memory_format 此转换递归地应用于嵌套的 nn.Module，包括 module。请注意，它只更改 memory_format，而不更改每个维度的语义。此函数用于促进计算以采用 NHWC 内核，这为具有计算能力 >= 7.0 的 CUDA 设备上的 fp16 数据提供了相当大的加速。

注意

调用 model.to(memory_format=torch.channels_last_3d) 比实用程序函数 convert_conv3d_weight_memory_format 更激进。任何具有 4d 权重的层都会受到 model.to 的影响，这并不一定有利于转换为指定的 memory_format。我们确信的一个地方是 cuDNN 中卷积的 NDHWC（channels_last_3d）转换，因为即使在必须对输入张量应用置换的情况下，在 NDHWC 中运行卷积也是有利的。

因此，我们在这里的策略是只将卷积的权重转换为 channels_last_3d。这确保了：1. 将使用快速卷积内核，其带来的好处可能超过置换的开销（如果输入不是相同的格式）。2. 对那些不会从 memory_format 转换中受益的层不会进行不必要的置换。

最佳情况是，卷积层之间的层与 channels last 兼容。当遇到第一个卷积层时，输入张量将被置换为 channels last，并保持该内存格式。因此，后续卷积将不需要置换其输入张量。

如果卷积层之间存在与 channels last 不兼容的层，我们需要将输入张量置换回连续格式以用于该层。输入张量将以连续格式通过剩余的层，并在遇到另一个卷积层时被置换为 channels last。将该置换传播到更早的层没有意义，因为大多数层对 memory_format 非常不敏感。

当 PyTorch 支持置换融合时，这种说法可能会改变，因为可能在卷积之前的某个更好位置融合置换。

参数

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

具有更新的 nn.Conv3d 的原始模块

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)