[object Object]

[object Object][object Object]undefined[object Object]

• 接口功能：完成per-channel量化的2D、3D卷积计算，其中卷积计算过程与aclnnConvolution接口一致。

• 计算公式： 我们假定输入（input）的shape是 $(N, C_{\text{in}}, D, H, W)$，weight的shape是 $(C_{\text{out}}, C_{\text{in}}, K_d, K_h, K_w)$，scale的shape是 $(C_{\text{out}})$，bias的shape是 $C_{\text{out}}$，输出（output）的shape是 $(N, C_{\text{out}}, D_{\text{out}}, H_{\text{out}}, W_{\text{out}})$，其中 $N$ 表示批次大小（batch size），$C$ 是通道数，$D$、$H$ 和 $W$ 分别是样本的深度、高度和宽度，$K_d$、$K_h$ 和 $K_w$ 分别是卷积核的深度、高度和宽度，那输出将被表示为：

  $$\text{output}(N_i, C_{\text{out}_j}, D_{\text{out}}, H_{\text{out}}, W_{\text{out}}) = \left[\sum_{k = 0}^{C_{\text{in}} - 1} \text{weight}(C_{\text{out}_j}, k) \star \text{input}(N_i, k)\right] \times \text{scale}(C_{\text{out}_j}) + \text{bias}(C_{\text{out}_j})$$

  其中，$\star$ 表示卷积计算，根据卷积输入的维度，卷积的类型（空洞卷积、分组卷积）而定。$N$ 代表批次大小（batch size），$C$ 代表通道数，$D$、$H$ 和 $W$ 分别代表深度、高度和宽度，相应输出维度的计算公式如下：

  $$D_{\text{out}}=[(D + 2 \times padding[0] - dilation[0] \times (K_d - 1) - 1 ) / stride[0]] + 1 \\ H_{\text{out}}=[(H + 2 \times padding[1] - dilation[1] \times (K_h - 1) - 1 ) / stride[1]] + 1 \\ W_{\text{out}}=[(W + 2 \times padding[2] - dilation[2] \times (K_w - 1) - 1 ) / stride[2]] + 1$$

[object Object]

每个算子分为[object Object]两段式接口[object Object]，必须先调用aclnnQuantConvolutionGetWorkspaceSize接口获取计算所需workspace大小以及包含了算子计算流程的执行器，再调用aclnnQuantConvolution接口执行计算。

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见 [object Object]aclnn返回码[object Object]。

  一段接口完成入参校验，出现以下场景时报错：

  [object Object]

[object Object]

• 参数说明

  [object Object]

• 返回值

  aclnnStatus：返回状态码，具体参见 [object Object]aclnn返回码[object Object]。

[object Object]

• 确定性计算
  • aclnnQuantConvolution默认确定性实现。

[object Object][object Object]

示例代码如下，仅供参考，具体编译和执行过程请参考。

不同产品型号请参考使用不同的main函数。