---
title: Conv3DBackpropFilter使用说明
description: "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。"
url: https://www.hiascend.com/document/detail/zh/canncommercial/latest/API/ascendcopapi/atlasascendc_api_07_0895.html
sourcePath: /source/zh/canncommercial/900/API/ascendcopapi/atlasascendc_api_07_0895.html
indexId: 3bae8816b03176cec9bdd12c626ed8c6542fe0d240c755bdf29b72cc981ffea276
---
# Conv3DBackpropFilter使用说明

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：


- 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：

1. 创建Conv3DBackpropFilter对象。
2. 初始化操作。
3. 设置卷积的特征矩阵Input、卷积的输出反向GradOutput。
4. 完成卷积反向操作。
5. 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：

1. 创建Conv3DBackpropFilter对象。
  1 2 3 4 5 6 7 #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。

  1 2 3 4 5 6 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：

  1 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：

  1 2 3 template <class Config_, template <typename, class> class Impl> struct Conv3DBpFilterIntf { }

  1 2 3 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 |


2. 初始化操作。
  1 gradWeight_.Init(&(tilingData->dwTiling)); // 初始化gradWeight_相关参数

3. 设置卷积的特征矩阵Input、卷积的输出反向GradOutput。
  1 2 3 4 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

4. 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_]); }

5. 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"
```