conv2d_backprop_input
功能说明
在给定5HD格式的out_backprop和FracZ格式的Weight的情况下计算float16的2-D反卷积。
out_backprop Tensor 的shape是 5HD，即（N, C1, H, W, C0）；Weight Tensor的shape是FracZ，即（C1*KH*KW，Cout//C0_out，C0_out，C0）。
函数原型
conv2d_backprop_input(filters, out_backprop, filter_sizes, input_sizes, para_dict)
参数说明
- filters：2d卷积的Weight，tensor，FracZ格式，目前支持float16类型
- out_backprop：2d卷积的输出反向，目前支持float16类型
- filter_size：2d卷积的权重矩阵大小
- input_sizes：2d卷积的输入矩阵大小
- 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，2d卷积在FeatureMap HW方向的移动步长。
- padding：list类型，2d卷积在FeatureMap HW方向的补边。
- dilations：list类型，2d卷积在Filter HW方向的膨胀系数。
- res_dtype：输出的数据类型，默认是float16类型。
- offset_x：量化过程中针对输入矩阵的补偿。
- offset_w：量化过程针对权重的补偿，暂不支持，目前需设置为None。
- kernel_name：算子名称。
- group_dict：字典格式，包含支持conv2d_backprop_input group卷积相关的参数，通过下列计算过程获得。
参数1：w_shape_nchw，weight shape，排布方式为NCHW。
参数2：groups，group卷积参数。
参数3：c0_size，为tbe_platform.C0_SIZE，默认值为16。
参数4：c0_size_k，为tbe_platform.CUBE_MKN[filter_dtype]['mac'][1]，filter_dtype为float16时值为16
具体计算公式：
_lcm(param1, param2)：计算最小公倍数。
ceil(param1, param2)：计算param1 / param2并向上取整。
dx_c_ori = w_shape_nchw[1]
dy_c_ori = w_shape_nchw[0] // groups
filter_batch_ori = w_shape_nchw[0] // groups
filter_c_ori = w_shape_nchw[1]
dx_c_extend = _lcm(dx_c_ori, c0_size) // dx_c_ori
dy_c_extend = _lcm(dy_c_ori, c0_size_k) // dy_c_ori
multiple_extend = min(_lcm(dx_c_extend, dy_c_extend), groups)
dx_c1_extend = ceil(multiple_extend * dx_c_ori, c0_size)
dy_c1_extend = ceil(multiple_extend * dy_c_ori, c0_size_k)
group_dict = {
"g_extend": g_extend,
"multiple_extend": multiple_extend,
"groups": groups,
"dx_c1_extend": dx_c1_extend,
"dy_c1_extend": dy_c1_extend,
"dx_c_ori": dx_c_ori,
"dy_c_ori": dy_c_ori,
"filter_batch_ori": filter_batch_ori,
"filter_c_ori": filter_c_ori,
"filter_ori_format": "NCHW"
}
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。
支持的型号
调用示例
from tbe import tvm
from tbe import dsl
from tbe.dsl.compute import cube_util
out_backprop_shape = (1, 1, 7, 7, 16)
out_backprop_dtype = "float16"
filter_frac = (1, 1, 16, 16)
filter_dtype = "float16"
filter_sizes = (16, 16, 1, 1)
input_sizes = (1, 16, 7, 7)
out_backprop = tvm.placeholder(out_backprop_shape, name="out_backprop", dtype=out_backprop_dtype)
filters = tvm.placeholder(filter_frac, name="filters", dtype=filter_dtype)
strides = [1, 1]
padding = [0, 0, 0, 0]
dilations = [1, 1, 1, 1]
res_dtype = "float32"
offset_x = 0
offset_w = None
kernel_name = "conv2d_backprop_input_dx_1_1_7_7_16_dy_1_1_7_7_16_dw_16_16_1_1_s_1_1_p_SAME"
group_dict = {
"groups": 1,
"g_extend": 1,
"multiple_extend": 1,
"dx_c1_extend": (input_sizes[1] + 16 - 1)// 16,
"dy_c1_extend": out_backprop_shape [1],
"dx_c_ori": input_sizes[1],
"dy_c_ori": filter_sizes[0],
"filter_batch_ori": filter_sizes[0],
"filter_c_ori": filter_sizes[1],
"filter_ori_format": "NCHW"
}
para_dict = {
"strides": strides,
"padding": padding,
"dilations": dilations,
"res_dtype": res_dtype,
"offset_x": offset_x,
"offset_w": offset_w,
"kernel_name": kernel_name,
"group_dict": group_dict
}
input_backprop = dsl.conv2d_backprop_input(
filters=filters,
out_backprop=out_backprop,
filter_sizes=filter_sizes,
input_sizes=input_sizes,
para_dict=para_dict
)