Ascend C提供一组Conv3DBackpropFilter高阶API，便于用户快速实现卷积的反向运算，求解反向传播的误差。

卷积反向的权重传播如图1，卷积反向权重计算如图2。

Conv3dBackpropFilter的计算公式为：

$\text{[math]}$

X为卷积的特征矩阵Input。
∂L/∂Y为卷积正向损失函数对输出Y的梯度GradOutput，作为求反向传播误差∂L/∂W的输入，即卷积的输出反向GradOutput。
∂L/∂W为Weight权重的反向传播误差GradWeight。

图1 卷积反向权重传播示意图

图2 卷积反向权重计算过程示意图

Kernel侧实现Conv3DBackpropFilter求解反向传播误差运算的步骤概括为：

创建Conv3DBackpropFilter对象。
初始化操作。
设置卷积的特征矩阵Input、卷积的输出反向GradOutput。
完成卷积反向操作。
结束卷积反向操作。

使用Conv3DBackpropFilter高阶API求解反向传播误差运算的具体步骤如下：

创建Conv3DBackpropFilter对象。

#include "lib/conv_backprop/conv3d_bp_filter_api.h"

using inputType = ConvBackpropApi::ConvType <ConvCommonApi::TPosition::GM, ConvCommonApi::ConvFormat::NDC1HWC0, inputType>;
using weightSizeType = ConvBackpropApi::ConvType<ConvCommonApi::TPosition::GM, ConvCommonApi::ConvFormat::ND, int32_t>;
using gradOutputType = ConvBackpropApi::ConvType<ConvCommonApi::TPosition::GM, ConvCommonApi::ConvFormat::NDC1HWC0, gradOutputType>;
using gradWeightType = ConvBackpropApi::ConvType <ConvCommonApi::TPosition::GM, ConvCommonApi::ConvFormat::FRACTAL_Z_3D, gradWeightType>;
ConvBackpropApi::Conv3DBackpropFilter <inputType, weightSizeType, gradOutputType, gradWeightType> gradWeight_;

创建对象时需要传入特征矩阵Input、权重矩阵Weight的shape信息WeightSize、GradOutput和GradWeight的参数类型信息，类型信息通过ConvType来定义，包括：内存逻辑位置、数据格式、数据类型。

template <TPosition POSITION, ConvFormat FORMAT, typename T>
struct ConvType {
    constexpr static TPosition pos = POSITION;    // Convolution输入或输出的逻辑位置
    constexpr static ConvFormat format = FORMAT;  // Convolution输入或输出的数据格式
    using Type = T;                               // Convolution输入或输出的数据类型
};

下面简要介绍在创建对象时使用到的相关数据结构，开发者可选择性地了解这些内容。用于创建Conv3DBackpropFilter对象的数据结构定义如下：

using Conv3DBackpropFilter = Conv3DBpFilterIntf<Conv3DBpFilterCfg<INPUT_TYPE, WEIGHT_TYPE, GRAD_OUTPUT_TYPE, GRAD_WEIGHT_TYPE>, Conv3DBpFilterImpl>;

其中，Conv3DBpFilterIntf、Conv3DBpFilterCfg数据结构定义如下：

template <class Config_, template <typename, class> class Impl>
struct Conv3DBpFilterIntf {
}

template <class A, class B, class C, class D>
struct Conv3DBpFilterCfg : public ConvBpContext<A, B, C, D>{
}

表1 ConvType说明
参数	说明
POSITION	内存逻辑位置。 Input X矩阵可设置为TPosition::GM WeightSize可设置为TPosition::GM GradOutput矩阵可设置为TPosition::GM GradWeight矩阵可设置为TPosition::GM
ConvFormat	数据格式。 Input矩阵可设置为ConvFormat::NDC1HWC0 WeightSize矩阵可设置为ConvFormat::ND GradOutput矩阵可设置为ConvFormat::NDC1HWC0 GradWeight矩阵可设置为ConvFormat::FRACTAL_Z_3D
TYPE	数据类型。 Input矩阵可设置为half、bfloat16_t WeightSize可设置为int32_t GradOutput矩阵可设置为half、bfloat16_t GradWeight矩阵可设置为float 注意：Input、GradOutput数据类型需要一致，具体数据类型组合关系请参考表2。

表2 Conv3DBackpropFilter输入输出数据类型的组合说明
Input	WeightSize	GradOutput	GradWeight	支持平台
half	int32_t	half	float	Atlas A3 训练系列产品/Atlas A3 推理系列产品 Atlas A2 训练系列产品/Atlas A2 推理系列产品
bfloat16_t	int32_t	bfloat16_t	float	Atlas A3 训练系列产品/Atlas A3 推理系列产品 Atlas A2 训练系列产品/Atlas A2 推理系列产品

初始化操作。

gradWeight_.Init(&(tilingData->dwTiling)); // 初始化gradWeight_相关参数

设置卷积的特征矩阵Input、卷积的输出反向GradOutput。

gradWeight_.SetGradOutput(gradOutputGm_[offsetA_]);    // 设置矩阵gradOutput
gradWeight_.SetInput(inputGm_[offsetB_]);    // 设置矩阵Input
gradWeight_.SetSingleShape(singleShapeM, singleShapeN, singleShapeK); // 设置需要计算的形状
gradWeight_.SetStartPosition(hoStartIdx_); // 设置初始位置

完成卷积反向操作。
调用Iterate完成单次迭代计算，叠加while循环完成单核全量数据的计算。Iterate方式，可以自行控制迭代次数，完成所需数据量的计算。
1 2 3
while (gradWeight_.Iterate()) { gradWeight_.GetTensorC(gradWeightGm_[offsetC_]); }
结束卷积反向操作。
1
gradWeight_.End();

需要包含的头文件

#include "lib/conv_backprop/conv3d_bp_filter_api.h"

Conv3DBackpropFilter使用说明

需要包含的头文件