Conv2D

函数功能

注意：该接口后续即将废弃，新开发内容不要使用该接口。

计算给定输入张量和权重张量的2-D卷积，输出结果张量。Conv2d卷积层多用于图像识别，使用过滤器提取图像中的特征。

函数原型

template <typename dst_T, typename src_T> __aicore__ inline void Conv2D(const LocalTensor<dst_T>& dstLocal, const LocalTensor<src_T>& featureMap, const LocalTensor<src_T>& weight, Conv2dParams& conv2dParams, Conv2dTilling& tilling)；

入参中的tiling结构需要通过如下切分方案计算接口来获取：

template <typename T> __aicore__ inline Conv2dTilling GetConv2dTiling(Conv2dParams& conv2dParams)；

参数说明

表1 接口参数说明
参数名称	类型	说明
dstLocal	输出	目的操作数。 Atlas 训练系列产品，支持的QuePosition为：CO1，CO2 Atlas推理系列产品（Ascend 310P处理器）AI Core，支持的QuePosition为：CO1，CO2 结果中有效张量格式为[Cout/16, Ho, Wo, 16]，大小为Cout * Ho * Wo，Ho与Wo可以根据其他数据计算得出。 Ho = floor((H + pad_top + pad_bottom - dilation_h * (Kh - 1) - 1) / stride_h + 1) Wo = floor((W + pad_left + pad_right - dilation_w * (Kw - 1) - 1) / stride_w + 1) 由于硬件要求HoWo需为16倍数，在申请dst Tensor时，shape应向上16对齐，实际申请shape大小应为Cout round_howo。 round_howo = ceil(Ho * Wo /16) * 16。
featureMap	输入	输入张量，Tensor的QuePosition为A1。输入张量“feature_map”的形状，格式是[C1, H, W, C0]。 C1*C0为输入的channel数，要求如下：当feature_map的数据类型为half时，C0=16。当feature_map的数据类型为int8_t时，C0=32。 C1取值范围：[1,4], 输入的channel的范围：[16，32，64，128]。 H为高，取值范围：[1,40]。 W为宽，取值范围：[1,40]。
weight	输入	卷积核（权重）张量，Tensor的QuePosition为B1。卷积核张量“weight”的形状，格式是[C1, Kh, Kw, Cout, C0]。 C1*C0为输入的channel数，对于C0要求如下：当feature_map的数据类型为half时，C0=16。当feature_map的数据类型为int8_t时，C0=32。 C1取值范围：[1,4]。 kernel_shape输入的channel数需与fm_shape输入的channel数保持一致。 Cout为卷积核数目，取值范围：[16，32，64，128]， Cout必须为16的倍数。 Kh为卷积核高；值的范围：[1,5]。 Kw表示卷积核宽；值的范围：[1,5]。
conv2dParams	输入	输入矩阵形状等状态参数，类型为Conv2dParams。结构体具体定义为： struct Conv2dParams { uint32_t imgShape[kConv2dImgSize]; // [H, W] uint32_t kernelShape[kConv2dkernelSize]; // [Kh, Kw] uint32_t stride[kConv2dStride]; // [stride_h, stride_w] uint32_t cin; // cin = C0 * C1; uint32_t cout; uint32_t padList[kConv2dPad]; // [pad_left, pad_right, pad_top, pad_bottom] uint32_t dilation[kConv2dDilation]; // [dilation_h, dilation_w] uint32_t initY; uint32_t partialSum; };
tilling	输入	分形控制参数，类型为Conv2dTilling。结构体具体定义为： struct Conv2dTilling { const uint32_t blockSize = 16; // # M block size is always 16 LoopMode loopMode = LoopMode::MODE_NM; uint32_t c0Size = 32; uint32_t dTypeSize = 1; uint32_t strideH = 0; uint32_t strideW = 0; uint32_t dilationH = 0; uint32_t dilationW = 0; uint32_t hi = 0; uint32_t wi = 0; uint32_t ho = 0; uint32_t wo = 0; uint32_t height = 0; uint32_t width = 0; uint32_t howo = 0; uint32_t mNum = 0; uint32_t nNum = 0; uint32_t kNum = 0; uint32_t mBlockNum = 0; uint32_t kBlockNum = 0; uint32_t nBlockNum = 0; uint32_t roundM = 0; uint32_t roundN = 0; uint32_t roundK = 0; uint32_t mTileBlock = 0; uint32_t nTileBlock = 0; uint32_t kTileBlock = 0; uint32_t mIterNum = 0; uint32_t nIterNum = 0; uint32_t kIterNum = 0; uint32_t mTileNums = 0; bool mHasTail = false; bool nHasTail = false; bool kHasTail = false; uint32_t kTailBlock = 0; uint32_t mTailBlock = 0; uint32_t nTailBlock = 0; uint32_t mTailNums = 0; };

表2 Conv2DParams结构体内参数说明：
参数名称	类型	说明
imgShape	vector<int>	输入张量“feature_map”的形状，格式是[ H, W]。 H为高，取值范围：[1,40]。 W为宽，取值范围：[1,40]。
kernelShape	vector<int>	卷积核张量“weight”的形状，格式是[Kh, Kw]。 Kh为高，取值范围：[1,5]。 Kw为宽，取值范围：[1,5]。
stride	vector<int>	卷积步长，格式是[stride_h, stride_w]。 stride_h表示步长高，值的范围：[1,4]。 stride_w表示步长宽，值的范围：[1,4]。
cin	int	分形排布参数，Cin = C1 * C0，Cin 为输入的channel数，C1取值范围：[1,4]。当feature_map的数据类型为float时，C0=8。输入的channel的范围：[8，16，24，32]。当feature_map的数据类型为half时，C0=16。输入的channel的范围：[16，32，48，64]。当feature_map的数据类型为int8_t时，C0=32。输入的channel的范围：[32，64，96，128]。
cout	int	Cout为卷积核数目，取值范围：[16，32，64，128]， Cout必须为16的倍数。
padList	vector<int>	padding行数/列数，格式是[pad_left, pad_right, pad_top, pad_bottom]。 pad_left为feature_map左侧pad列数，范围[0,4]。pad_right为feature_map右侧pad列数，范围[0,4]。 pad_top为feature_map顶部pad行数，范围[0,4]。 pad_bottom为feature_map底部pad行数，范围[0,4]。
dilation	vector<int>	空洞卷积参数，格式[dilation_h, dilation_w]。 dilation_h为空洞高，范围：[1,4]。 dilation_w为空洞宽，范围：[1,4]。膨胀后卷积核宽为dilation_w * (Kw - 1) + 1，高为dilation_h * (Kh - 1) + 1。
initY	uint32_t	表示dstLocal是否需要初始化。取值0：不使用bias，L0C需要初始化，dstLocal初始矩阵保存有之前结果，新计算结果会累加前一次conv2d 计算结果。取值1：不使用bias，L0C不需要初始化，dstLocal初始矩阵中数据无意义，计算结果直接覆盖dstLocal中的数据。
partialSum	uint32_t	当dstLocal参数所在的QuePosition为CO2时，通过该参数控制计算结果是否搬出。取值0：搬出计算结果取值1：不搬出计算结果，可以进行后续计算

表3 Conv2dTilling结构体内参数说明
参数名称	类型	说明
blockSize	uint32_t	固定值，恒为16，一个维度内存放的元素个数。
loopMode	LoopMode	遍历模式，结构体具体定义为： enum class LoopMode { MODE_NM = 0, MODE_MN = 1, MODE_KM = 2, MODE_KN = 3 };
c0Size	uint32_t	一个block的字节长度，范围[16或者32]。
dtypeSize	uint32_t	传入的数据类型的字节长度，范围[1, 2]。
strideH	uint32_t	卷积步长-高，范围:[1,4]。
strideW	uint32_t	卷积步长-宽，范围:[1,4]。
dilationH	uint32_t	空洞卷积参数-高，范围：[1,4]。
dilationW	uint32_t	空洞卷积参数-宽，范围：[1,4]。
hi	uint32_t	feature_map形状-高，范围：[1,40]。
wi	uint32_t	feature_map形状-宽，范围：[1,40]。
ho	uint32_t	feature_map形状-高，范围：[1,40]。
wo	uint32_t	feature_map形状-宽，范围：[1,40]。
height	uint32_t	weight形状-高，[1,5]。
width	uint32_t	weight形状-宽，[1,5]。
howo	uint32_t	feature_map形状大小，为ho * wo。
mNum	uint32_t	M轴等效数据长度参数值，范围：[1,4096]。
nNum	uint32_t	N轴等效数据长度参数值，范围：[1,4096]。
kNum	uint32_t	K轴等效数据长度参数值，范围：[1,4096]。
roundM	uint32_t	M轴等效数据长度参数值且以blockSize为倍数向上取整，范围：[1,4096]。
roundN	uint32_t	N轴等效数据长度参数值且以blockSize为倍数向上取整，范围：[1,4096]。
roundK	uint32_t	K轴等效数据长度参数值且以c0Size为倍数向上取整，范围：[1,4096]。
mBlockNum	uint32_t	M轴Block个数，mBlockNum = mNum / blockSize，范围：[1,4096]。
nBlockNum	uint32_t	N轴Block个数，nBlockNum = nNum / blockSize，范围：[1,4096]。
kBlockNum	uint32_t	K轴Block个数，kBlockNum = kNum / blockSize，范围：[1,4096]。
mIterNum	uint32_t	遍历M轴维度数量，范围：[1,4096]。
nIterNum	uint32_t	遍历N轴维度数量，范围：[1,4096]。
kIterNum	uint32_t	遍历K轴维度数量，范围：[1,4096]。
mTileBlock	uint32_t	M轴切分块个数，范围：[1,4096]。
nTileBlock	uint32_t	N轴切分块个数，范围：[1,4096]。
kTileBlock	uint32_t	K轴切分块个数，范围：[1,4096]。
kTailBlock	uint32_t	K轴尾块个数，范围：[1,4096]。
mTailBlock	uint32_t	M轴尾块个数，范围：[1,4096]。
nTailBlock	uint32_t	N轴尾块个数，范围：[1,4096]。
kHasTail	bool	K轴是否存在尾块。
mHasTail	bool	M轴是否存在尾块。
nHasTail	bool	N轴是否存在尾块。
mTileNums	uint32_t	M轴切分块个数的长度，范围：[1,4096]。
mTailNums	uint32_t	M轴尾块个数的长度，范围：[1,4096]。

表4 imgShape、kernelShape和dstLocal的数据类型组合
feature_map.dtype	weight.dtype	dst.dtype
int8_t	int8_t	int32_t
half	half	float
half	half	half

支持的型号

Atlas 训练系列产品

Atlas推理系列产品（Ascend 310P处理器）AI Core

注意事项

该接口当前不支持W=Kw并且H>Kh的场景，其将产生不可预期的结果。
操作数地址偏移对齐要求请参见通用约束。

父主题： 矩阵计算