conv3d_backprop_filter

功能说明

在给定6HD格式的Data和6HD格式的out_backprop的情况下计算float32的3-D反卷积。

Data tensor 的shape是6HD，即（N, D, C1, H, W, C0）；out_backprop Tensor 的shape是 6HD，即（N, D, C1, H, W, C0）。

函数原型

conv3d_backprop_filter(x, out_backprop, filter_size, para_dict)

参数说明

• x：3d卷积的FeatureMap，tensor，6HD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
• 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3dw 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，out_backprop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 = (16, 4, 1, 36, 36, 16)
out_backprop_dtype = "float16"
filter_sizes = [16, 2, 16, 3, 3]
shape_fmap = (16, 8, 1, 72, 72, 16)
x_dtype = "float16"

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

strides = [2, 2, 2]
pads = [0, 0, 0, 1, 0, 1]
dilations = [1, 1, 1, 1, 1]
res_dtype = "float32"
kernel_name = "conv3d_backprop_filter_dx_16_8_72_72_16_dy_16_4_36_36_16_dw_2_3_3_16_16_s_1_2_2_2_1_p_SAME"
group_dict = {'real_g': 1, 'mag_factor': 1, 'cin1_g': 1, 'cout_g': 16, 'cin_ori': 16, 'cout_ori': 16}

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

dedw = dsl.conv3d_backprop_filter(
    x=fmap,
    out_backprop=dedy,
    filter_size=filter_sizes,
    para_dict=para_dict
)