QLinearConv¶

QLinearConv - 10¶

版本¶

名称: QLinearConv (GitHub)
域: main
since_version: 10
函数: False
支持级别: SupportType.COMMON
形状推断: True

此版本的操作符已在 版本 10 中提供。

摘要¶

卷积运算符消耗一个量化输入张量、其缩放和零点、一个量化滤波器、其缩放和零点，以及输出的缩放和零点，并计算量化输出。每个缩放和零点对必须具有相同的形状。这意味着它们必须是标量（每张量）或一维张量（每输出通道）。每个输入或输出及其相关的零点必须具有相同的类型。当存在偏置时，必须使用 scale = 输入缩放 * 权重缩放，零点为 0 进行量化。

属性¶

auto_pad - 字符串 (默认为 'NOTSET')

auto_pad 必须是 NOTSET、SAME_UPPER、SAME_LOWER 或 VALID。默认值为 NOTSET，这意味着使用显式填充。SAME_UPPER 或 SAME_LOWER 表示对输入进行填充，以便对于每个轴 i，output_shape[i] = ceil(input_shape[i] / strides[i])。填充在两边均匀或几乎均匀地分布（取决于它是偶数还是奇数）。如果填充是奇数，则对于 SAME_UPPER，额外的填充添加到末尾，对于 SAME_LOWER，则添加到开头。
dilations - 整数 :

沿滤波器每个空间轴的膨胀值。如果不存在，膨胀默认为沿每个空间轴为 1。
group - 整数 (默认为 '1')

输入通道和输出通道分组的数量。默认为 1。
kernel_shape - 整数 :

卷积核的形状。如果不存在，应从输入“w”推断。
pads - 整数 :

沿每个空间轴的开始和结束部分的填充，它可以取任何大于或等于 0 的值。该值表示添加到相应轴的开始和结束部分的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是添加到轴 i 开始部分的像素数量，xi_end 是添加到轴 i 结束部分的像素数量。此属性不能与 auto_pad 属性同时使用。如果不存在，填充默认为沿每个空间轴的开始和结束部分为 0。
strides - 整数 :

沿每个空间轴的步长。如果不存在，步长默认为沿每个空间轴的 1。

输入¶

8 到 9 个输入之间。

x (异构) - T1

来自前一层的输入数据张量；大小为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是高度和宽度。请注意，这是针对2D图像的。否则大小为 (N x C x D1 x D2 … x Dn)。可选地，如果维度表示生效，操作期望输入数据张量带有 [DATA_BATCH, DATA_CHANNEL, DATA_FEATURE, DATA_FEATURE …] 的维度表示。
x_scale (异构) - 张量(float)

输入“x”的缩放张量。它是一个标量，表示逐张量/层量化。
x_zero_point (异构) - T1

输入“x”的零点张量。它是一个标量，表示逐张量/层量化。
w (异构) - T2

将用于卷积的权重张量；大小为 (M x C/group x kH x kW)，其中 C 是通道数，kH 和 kW 是核的高度和宽度，M 是特征图的数量。对于超过2维的情况，核形状将是 (M x C/group x k1 x k2 x … x kn)，其中 (k1 x k2 x … kn) 是核的维度。可选地，如果维度表示生效，操作期望权重张量带有 [FILTER_OUT_CHANNEL, FILTER_IN_CHANNEL, FILTER_SPATIAL, FILTER_SPATIAL …] 的维度表示。X.shape[1] == (W.shape[1] * group) == C (假设形状数组使用基于零的索引)。换句话说，FILTER_IN_CHANNEL 应等于 DATA_CHANNEL。
w_scale (异构) - 张量(float)

输入“w”的缩放张量。它可能是一个标量或一个一维张量，表示逐张量/层或逐输出通道量化。如果它是一维张量，其元素数量应等于输出通道的数量 (M)。
w_zero_point (异构) - T2

输入“w”的零点张量。它可能是一个标量或一个一维张量，表示逐张量/层或逐输出通道量化。如果它是一维张量，其元素数量应等于输出通道的数量 (M)。
y_scale (异构) - tensor(float)

输出“y”的缩放张量。它是一个标量，表示逐张量/层量化。
y_zero_point (异构) - T3

输出“y”的零点张量。它是一个标量，表示逐张量/层量化。
B (可选，异构) - T4

可选的一维偏置，添加到卷积中，大小为 M。偏置必须使用 scale = x_scale * w_scale 和 zero_point = 0 进行量化

输出¶

y (异构) - T3

包含卷积结果的输出数据张量。输出维度是核大小、步幅大小和填充长度的函数。

类型约束¶

T1 在 ( tensor(int8), tensor(uint8) ) 中

将输入类型约束为 8 位整数张量。
T2 在 ( tensor(int8), tensor(uint8) ) 中

将滤波器类型约束为 8 位整数张量。
T3 在 ( 张量(int8), 张量(uint8) )

将输出类型约束为 8 位整数张量。
T4 在 ( 张量(int32) )

将偏置类型约束为 32 位整数张量。