torch.ao.nn.intrinsic.quantized.dynamic.modules.linear_relu 的源代码

# mypy: 允许未类型化定义
导入 火炬
导入 torch.ao.nn.intrinsic 作为 nni
导入 torch.ao.nn.quantized.dynamic 作为 nnqd


__all__ = [LinearReLU]


类 线性 ReLU(氮气.线性):
    r""
由线性模块和 ReLU 模块融合而成的线性 ReLU 模块，可用于动态量化
。
支持同时使用 FP16 和 INT8 量化。

我们采用与 :class:`torch.ao.nn.quantized.dynamic.Linear` 相同的接口。

属性：
与 torch.ao.nn.quantized.dynamic.Linear 相同。

示例：

        >>> # xdoctest: +SKIP
        >>> m = nn.intrinsic.quantized.dynamic.LinearReLU(20, 30)
        >>> input = torch.randn(128, 20)
        >>> output = m(input)
>>> 打印(output.size())
        torch.Size([128, 30])
```python
# 假设输入文本为：
input_text = '"""'

# 翻译函数（此处仅为示例，实际翻译功能需要调用真实的翻译 API）
def translate_to_simplified_chinese(text):
    # 这里应该调用真实的翻译 API 进行翻译
    # 由于示例中不使用真实的 API，以下为模拟翻译结果
    return text

# 输出翻译结果
translated_text = translate_to_simplified_chinese(input_text)
print(translated_text)
```
    浮点模块 = nni.线性 ReLU  # 类型：忽略[赋值]

    定义 初始化(自身, 输入特征, 输出特征, 偏置=True, 数据类型=火炬.qint8):
        超级().初始化(输入特征, 输出特征, 偏置, 数据类型)

    定义 前向(自身, x: 火炬.张量) -> 火炬.张量:
        如果 自身._packed_params.dtype == 火炬.qint8:
            # TODO 检查此处是否应默认设置 reduce_rage = True
            Y = 火炬.操作.量化.线性 ReLU 动态(
                x, 自身._packed_params._packed_params, 范围缩减=真实
            )
        elif 自身._packed_params.dtype == 火炬.float16:
            Y = 火炬.操作.量化.线性 ReLU 动态 fp16(
                x, 自身._packed_params._packed_params
            )
        否则:
            抛出异常 运行时错误("不支持动态量化线性 ReLU 的数据类型！")
        返回 Y.到(x.数据类型)

    定义 _获取名称(自身):
        返回 动态量化线性 ReLU

    @classmethod
    定义 从浮点数(类, mod, 使用预计算的假量化=错误):
        返回 超级().从浮点数(
            mod, 使用预计算的假量化=使用预计算的假量化
        )

    @classmethod
    定义 来自参考(类, ref_qlinear_relu):
        返回 超级().来自参考(ref_qlinear_relu[0])