产品 |
是否支持 |
|---|---|
√ |
|
√ |
|
√ |
|
√ |
构造ConvTranspose2d的QAT算子。
1 | qat = amct_pytorch.nn.module.quantization.conv_tranpose_2d.ConvTranspose2dQAT(in_channels, out_channels, kernel_size, stride, padding, dilation, groups, bias, padding_mode, device, dtype, config) |
1 | qat = amct_pytorch.nn.module.quantization.conv_transpose_2d.ConvTranspose2dQAT.from_float(mod, config) |
参数名 |
输入/输出 |
说明 |
|---|---|---|
in_channels |
输入 |
含义：输入channel个数。 数据类型：int |
out_channels |
输入 |
含义：输出channel个数、 数据类型：int |
kernel_size |
输入 |
含义：卷积核大小。 数据类型：int/tuple |
stride |
输入 |
含义：卷积步长。 数据类型：int/tuple 默认值：1 |
padding |
输入 |
含义：填充大小。 数据类型：int/tuple 默认值：0 |
dilation |
输入 |
含义：kernel元素之间的间距。 数据类型：int/tuple 默认值：1 |
groups |
输入 |
含义：输入和输出的连接关系。 数据类型：int 默认值：1 |
bias |
输入 |
含义：是否开启偏值项参与学习。 数据类型：bool，其他数据类型（比如整数，字符串，列表等）按照Python真值判断规则转换。 默认值：True |
padding_mode |
输入 |
含义：填充方式。 使用约束：仅支持zeros |
device |
输入 |
含义：运行设备。 默认值：None |
dtype |
输入 |
含义：torch数值类型。 torch数据类型， 仅支持torch.float32 |
config |
输入 |
含义：量化配置，配置参考样例如下，量化配置参数的具体说明请参见量化配置参数说明 config = {
"retrain_enable":true,
"retrain_data_config": {
"dst_type": "INT8",
"batch_num": 10,
"fixed_min": False,
"clip_min": -1.0,
"clip_max": 1.0
},
"retrain_weight_config": {
"dst_type": "INT8",
"weights_retrain_algo": "arq_retrain",
"channel_wise": False
}
}
数据类型：dict 默认值：None |
参数名 |
输入/输出 |
说明 |
|---|---|---|
mod |
输入 |
含义：待量化的原生ConvTranspose2d算子。 数据类型：torch.nn.Module |
config |
输入 |
含义：量化配置。配置参考样例如下，量化配置参数的具体说明请参见量化配置参数说明。 config = {
"retrain_enable":true,
"retrain_data_config": {
"dst_type": "INT8",
"batch_num": 10,
"fixed_min": False,
"clip_min": -1.0,
"clip_max": 1.0
},
"retrain_weight_config": {
"dst_type": "INT8",
"weights_retrain_algo": "arq_retrain",
"channel_wise": False
}
}
数据类型：dict 默认值：None |
1 2 3 4 5 | from amct_pytorch.nn.module.quantization.conv_transpose_2d import ConvTranspose2dQAT ConvTranspose2dQAT(in_channels=1, out_channels=1, kernel_size=1, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None, config=None) |
1 2 3 4 5 6 | import torch from amct_pytorch.nn.module.quantization.conv_transpose_2d import ConvTranspose2dQAT conv_transpose2d_op = torch.nn.ConvTranspose2d(in_channels=1, out_channels=1, kernel_size=1, stride=1, padding=0, dilation=1, groups=1, bias=True, padding_mode='zeros', device=None, dtype=None) ConvTranspose2dQAT.from_float(mod=conv_transpose2d_op, config=None) |