conv3d_backprop_input

功能说明

在给定6HD格式的Data和FracZ格式的Weight的情况下计算float16的3-D反卷积。

接口可以支持bias。

Data tensor 的shape是6HD，即（N, D, C1, H, W, C0）；Weight Tensor 的shape是 FracZ，即 (KD*C1*KH*KW, Cout//C0_out, C0_out, C0)。

函数原型

conv3d_backprop_input(filter, out_backprop, filter_size, input_size, para_dict)

参数说明

• filter：3d卷积的Weight，tensor，FracZ格式，目前支持float16类型
• out_backprop：3d卷积的输出反向，目前支持float16类型
• filter_size：3d卷积的Weight
• input_size：3d卷积的FeatureMap
• 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，3d卷积在FeatureMap DHW方向的移动步长。
  • pads：list类型，3d卷积在FeatureMap DHW方向的补边。
  • dilations：list类型，3d卷积Filter DHW方向的膨胀系数。
  • res_dtype：输出的数据类型。
  • kernel_name：算子名称。
  • group_dict：字典格式，包含支持3dx group卷积相关的参数，通过下列计算过程获得。

    参数1：fmap_c，FeatureMap的C维度大小。

    参数2：cout，Weight的batch维度大小。

    参数3：groups，group卷积参数。

    参数4：cout0，为tbe_platform.C0_SIZE，默认值为16。

    参数5：cin0，为tbe_platform.C0_SIZE，默认值为16。

    具体计算公式：

    lcm(param1, param2)，计算最小公倍数。

    mag_factor0 = lcm(fmap_c // groups, cin0) // (fmap_c // groups)

    mag_factor1 = lcm(cout // groups, cout0) // (cout // groups)

    mag_factor = min(lcm(mag_factor0, mag_factor1), groups)

    cin1_g = (mag_factor * fmap_c // groups + cin0 - 1) // cin0

    cout_g = (mag_factor * cout // groups + cout0 - 1) // cout0 * cout0

    group_dict = {"real_g": (groups + mag_factor - 1) // mag_factor,

    "mag_factor": mag_factor,

    "cin1_g": cin1_g,

    "cout_g": cout_g,

    "cin_ori": fmap_c,

    "cout_ori": cout}

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

shape_dedy = (1, 2, 16, 15, 22, 16)
out_backprop_dtype = "float16"
input_sizes = [1, 4, 30, 44, 128]
shape_filter_ncdhw = [256, 128, 2, 2, 2]
shape_filter_frac = (64, 16, 16, 16)
filter_dtype = "float16"

dedy = tvm.placeholder(shape_dedy, name="dedy",
                       dtype=out_backprop_dtype)

filters = tvm.placeholder(shape_filter_frac,
                          name="filter", dtype=filter_dtype)

strides = [1, 2, 2, 2, 1]
pads = [0, 0, 0, 0, 0, 0]
dilations = (1, 1, 1, 1, 1)
res_dtype = "float16"
kernel_name = "conv3d_backprop_input_w_2_2_2_128_256_y_1_2_15_22_256_x_1_4_30_44_128_s_1_2_2_2_1_SAME_d_1_1_g_1"
group_dict = {'real_g': 1, 'mag_factor': 1, 'cin1_g': 8, 'cout_g': 256, 'cin_ori': 128, 'cout_ori': 256}

para_dict = {
    "strides": strides,
    "pads": pads,
    "dilations": dilations,
    "res_dtype": res_dtype,
    "kernel_name": kernel_name,
    "group_dict": group_dict
}

dedx = dsl.conv3d_backprop_input(
    filter=filters,
    out_backprop=dedy,
    filter_size=shape_filter_ncdhw,
    input_size=input_sizes,
    para_dict=para_dict
)