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 转换为指定的 memory_format。此转换递归应用于嵌套的 nn.Module，包括 module 本身。请注意，它只改变 memory_format，而不改变每个维度的语义。此函数用于促使计算采用 NHWC 核，这在计算能力 >= 7.0 的 CUDA 设备上为 fp16 数据提供了显著的速度提升。

注意

调用 model.to(memory_format=torch.channels_last_3d) 比 utility 函数 convert_conv3d_weight_memory_format 更具侵略性。任何带有 4d 权重的层都会受到 model.to 的影响，而这些层不一定能从转换为指定的 memory_format 中受益。我们有信心的一点是 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排列的情况下，在 NDHWC 中运行卷积也是有益的。

因此，我们的策略是仅将卷积的权重转换为 channels_last_3d。这确保了：1. 将使用快速卷积核，其好处可能超过排列的开销（如果输入不是相同格式）。2. 不会对不从 memory_format 转换中受益的层应用不必要的排列。

最优情况是，卷积层之间的层与 channels last 格式兼容。输入张量在遇到第一个卷积层时会被排列为 channels last 格式并保持该内存格式。因此，后续的卷积不需要对其输入张量进行排列。

在卷积层之间存在 channels last 不兼容层的情况下，我们需要将该层的输入张量重新排列回 contiguous 格式。输入张量将以 contiguous 格式通过剩余的层，并在遇到另一个卷积层时被排列为 channels last 格式。将该排列传播到较早的层没有意义，因为大多数层对 memory_format 相当不敏感。

当 PyTorch 支持排列融合时，这种说法可能会改变，因为可能存在比紧接在卷积之前更好的排列融合位置。

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

返回值

更新了 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)