conv3d ¬

class torch.ao.nn.quantized.functional.conv3d(input, weight, bias, stride=1, padding=0, dilation=1, groups=1, padding_mode='zeros', scale=1.0, zero_point=0, dtype=torch.quint8)[source][source] ¬

在一个由多个输入平面组成的量化 3D 输入上应用 3D 卷积。

详细信息和输出形状请见 Conv3d 。

参数:

• 输入 – 形状为 $(\text{minibatch} , \text{in\_channels} , iD , iH , iW)$ 的量化输入张量

• 权重 – 形状为 $(\text{out\_channels} , \frac{\text{in\_channels}}{\text{groups}} , kD , kH , kW)$ 的量化滤波器

• 偏置 – 形状为 $(\text{out\_channels})$ 的非量化偏置张量。张量类型必须是 torch.float。

• 步长 – 卷积核的步长。可以是单个数字或元组（sD, sH, sW）。默认：1

• 填充 - 输入两侧的隐式填充。可以是单个数字或一个元组（padD, padH, padW）。默认：0

• 扩展率 - 卷积核元素之间的间距。可以是单个数字或一个元组（dD, dH, dW）。默认：1

• 分组 - 将输入分成组， $\text{in\_channels}$ 应该是组数的倍数。默认：1

• 填充模式 - 要使用的填充模式。目前仅支持“zeros”进行量化卷积。默认：“zeros”

• 缩放 - 输出的量化缩放比例。默认：1.0

• 零点 - 输出的量化零点。默认：0

• dtype - 要使用的量化数据类型。默认： torch.quint8

示例：

>>> from torch.ao.nn.quantized import functional as qF
>>> filters = torch.randn(8, 4, 3, 3, 3, dtype=torch.float)
>>> inputs = torch.randn(1, 4, 5, 5, 5, dtype=torch.float)
>>> bias = torch.randn(8, dtype=torch.float)
>>>
>>> scale, zero_point = 1.0, 0
>>> dtype_inputs = torch.quint8
>>> dtype_filters = torch.qint8
>>>
>>> q_filters = torch.quantize_per_tensor(filters, scale, zero_point, dtype_filters)
>>> q_inputs = torch.quantize_per_tensor(inputs, scale, zero_point, dtype_inputs)
>>> qF.conv3d(q_inputs, q_filters, bias, padding=1, scale=scale, zero_point=zero_point)