功能说明

在给定5HD格式的out_backprop和FracZ格式的Weight的情况下计算float16的2-D反卷积。

out_backprop Tensor 的shape是 5HD，即（N, C1, H, W, C0）；Weight Tensor的shape是FracZ，即（C1*KH*KW，Cout//C0_out，C0_out，C0）。

函数原型

conv2d_backprop_input(filters, out_backprop, filter_sizes, input_sizes, para_dict)

参数说明

filters：2d卷积的Weight，tensor，FracZ格式，目前支持float16类型
out_backprop：2d卷积的输出反向，目前支持float16类型
filter_size：2d卷积的权重矩阵大小
input_sizes：2d卷积的输入矩阵大小
para_dict：字典格式，包含各种参数，后续参数扩展一般都在para_dict
其中目前在para_dict里要传递的参数：
- strides：list类型，2d卷积在FeatureMap HW方向的移动步长。
- padding：list类型，2d卷积在FeatureMap HW方向的补边。
- dilations：list类型，2d卷积在Filter HW方向的膨胀系数。
- res_dtype：输出的数据类型，默认是float16类型。
- offset_x：量化过程中针对输入矩阵的补偿。
- offset_w：量化过程针对权重的补偿，暂不支持，目前需设置为None。
- kernel_name：算子名称。
- group_dict：字典格式，包含支持conv2d_backprop_input group卷积相关的参数，通过下列计算过程获得。
  参数1：w_shape_nchw，weight shape，排布方式为NCHW。
  
  参数2：groups，group卷积参数。
  
  参数3：c0_size，为tbe_platform.C0_SIZE，默认值为16。
  
  参数4：c0_size_k，为tbe_platform.CUBE_MKN[filter_dtype]['mac'][1]，filter_dtype为float16时值为16
  
  具体计算公式：
  
  _lcm(param1, param2)：计算最小公倍数。
  
  ceil(param1, param2)：计算param1 / param2并向上取整。
  
  dx_c_ori = w_shape_nchw[1]
  
  dy_c_ori = w_shape_nchw[0] // groups
  
  filter_batch_ori = w_shape_nchw[0] // groups
  
  filter_c_ori = w_shape_nchw[1]
  
  dx_c_extend = _lcm(dx_c_ori, c0_size) // dx_c_ori
  
  dy_c_extend = _lcm(dy_c_ori, c0_size_k) // dy_c_ori
  
  multiple_extend = min(_lcm(dx_c_extend, dy_c_extend), groups)
  
  dx_c1_extend = ceil(multiple_extend * dx_c_ori, c0_size)
  
  dy_c1_extend = ceil(multiple_extend * dy_c_ori, c0_size_k)
  
  group_dict = {
  
  "g_extend": g_extend,
  
  "multiple_extend": multiple_extend,
  
  "groups": groups,
  
  "dx_c1_extend": dx_c1_extend,
  
  "dy_c1_extend": dy_c1_extend,
  
  "dx_c_ori": dx_c_ori,
  
  "dy_c_ori": dy_c_ori,
  
  "filter_batch_ori": filter_batch_ori,
  
  "filter_c_ori": filter_c_ori,
  
  "filter_ori_format": "NCHW"
  
  }

返回值

res_tensor：表示卷积计算的tensor，即卷积计算的结果输出。

约束说明

此接口暂不支持与其他TBE DSL计算接口混合使用。

支持的芯片型号

Atlas 200/300/500 推理产品

Atlas 训练系列产品

调用示例

from tbe import tvm
from tbe import dsl
from tbe.dsl.compute import cube_util

out_backprop_shape = (1, 1, 7, 7, 16)
out_backprop_dtype = "float16"
filter_frac = (1, 1, 16, 16)
filter_dtype = "float16"
filter_sizes = (16, 16, 1, 1)
input_sizes = (1, 16, 7, 7)

out_backprop = tvm.placeholder(out_backprop_shape, name="out_backprop", dtype=out_backprop_dtype)
filters = tvm.placeholder(filter_frac, name="filters", dtype=filter_dtype)

strides = [1, 1]
padding = [0, 0, 0, 0]
dilations = [1, 1, 1, 1]
res_dtype = "float32"
offset_x = 0
offset_w = None
kernel_name = "conv2d_backprop_input_dx_1_1_7_7_16_dy_1_1_7_7_16_dw_16_16_1_1_s_1_1_p_SAME"

group_dict = {
    "groups": 1,
    "g_extend": 1,
    "multiple_extend": 1,
    "dx_c1_extend": (input_sizes[1] + 16 - 1)// 16,
    "dy_c1_extend": out_backprop_shape [1],
    "dx_c_ori": input_sizes[1],
    "dy_c_ori": filter_sizes[0],
    "filter_batch_ori": filter_sizes[0],
    "filter_c_ori": filter_sizes[1],
    "filter_ori_format": "NCHW"
}

para_dict = {
    "strides": strides,
    "padding": padding,
    "dilations": dilations,
    "res_dtype": res_dtype,
    "offset_x": offset_x,
    "offset_w": offset_w,
    "kernel_name": kernel_name,
    "group_dict": group_dict
}

input_backprop = dsl.conv2d_backprop_input(
    filters=filters,
    out_backprop=out_backprop,
    filter_sizes=filter_sizes,
    input_sizes=input_sizes,
    para_dict=para_dict
)