ConvolutionForward

产品支持情况

产品	是否支持
Ascend 950PR/Ascend 950DT	√
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	√

功能说明

• 算子功能：实现卷积功能，支持 1D 卷积、2D 卷积、3D 卷积，同时支持转置卷积、空洞卷积、分组卷积。 对于入参 transposed = True 时，表示使用转置卷积或者分数步长卷积。它可以看作是普通卷积的梯度或者逆向操作，即从卷积的输出形状恢复到输入形状，同时保持与卷积相容的连接模式。它的参数和普通卷积类似，包括输入通道数、输出通道数、卷积核大小、步长、填充、输出填充、分组、偏置、扩张等。

• 计算公式：

  我们假定输入（input）的 shape 是 $(N,C_{\text{in}},H,W)$，（weight）的 shape 是 $(C_{\text{out}},C_{\text{in}},K_h,K_w)$，输出（output）的 shape 是 $(N,C_{\text{out}},H_{\text{out}},W_{\text{out}})$，那输出将被表示为：

  $$\text{out}(N_i,C_{{\text{out}}_j})=\text{bias}(C_{{\text{out}}_j})+\sum _{k=0}^{C_{\text{in}}-1}\text{weight}(C_{{\text{out}}_j},k)\star \text{input}(N_i,k)$$

  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，$W$ 和 $H$ 分别代表宽和高，相应输出维度的计算公式如下：

  $$\begin{gathered} H_{\text{out}}=[(H+2\ast padding[0]-dilation[0]\ast (K_h-1)-1)/stride[0]]+1 \\ {W}_{\text{out}}=[(W+2\ast padding[1]-dilation[1]\ast (K_w-1)-1)/stride[1]]+1 \end{gathered}$$

参数说明

参数名	输入/输出/属性	描述	数据类型	数据格式
input	输入	公式中的 input，表示卷积输入。 数据类型需要与 weight 满足数据类型推导规则（参见互推导关系和约束说明）。 N≥0，C≥1，其他维度≥0。	FLOAT、FLOAT16、BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN	NCL、NCHW、NCDHW
weight	输入	公式中的 weight，表示卷积权重。 数据类型需要与 input 满足数据类型推导规则（参见互推导关系和约束说明）。 所有维度≥1。	FLOAT、FLOAT16、BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN	NCL、NCHW、NCDHW
bias	输入	公式中的 bias，表示卷积偏置。 当 transposed=false 时为一维且数值与 weight 第一维相等；当 transposed=true 时为一维且数值与 weight.shape[1] * groups 相等。	FLOAT、FLOAT16、BFLOAT16	ND
stride	输入	卷积扫描步长。 数组长度需等于 input 的维度减 2，值应该大于 0。	INT32	-
padding	输入	对 input 的填充。 数组长度：conv1d 非转置为 1 或 2；conv2d 为 2 或 4；conv3d 为 3。值应该大于等于 0。	INT32	-
dilation	输入	卷积核中元素的间隔。 数组长度需等于 input 的维度减 2，值应该大于 0。	INT32	-
transposed	输入	是否为转置卷积。	BOOL	-
outputPadding	输入	转置卷积情况下，对输出所有边的填充。 非转置卷积情况下忽略该配置。值应大于等于0，且小于 stride 或 dilation 对应维度的值。	INT32	-
groups	输入	表示从输入通道到输出通道的块链接个数。 数值必须大于 0，且满足 groups*weight 的 C 维度=input 的 C 维度。	INT64	-
output	输出	公式中的 out，表示卷积输出。 数据类型需要与 input 与 weight 推导之后的数据类型保持一致。 通道数等于 weight 第一维，其他维度≥0。	FLOAT、FLOAT16、BFLOAT16、HIFLOAT8、FLOAT8_E4M3FN	NCL、NCHW、NCDHW
cubeMathType	输入	用于判断 Cube 单元应该使用哪种计算逻辑进行运算。 0 (KEEP_DTYPE): 保持输入数据类型进行计算。 1 (ALLOW_FP32_DOWN_PRECISION): 允许 FLOAT32 降低精度计算，提升性能。 2 (USE_FP16): 使用 FLOAT16 精度进行计算。 3 (USE_HF32): 使用 HF32（混合精度）进行计算。	INT8	-

• Atlas A2 训练系列产品/Atlas A2 推理系列产品、Atlas A3 训练系列产品/Atlas A3 推理系列产品：
  • input、weight 数据类型不支持 HIFLOAT8、FLOAT8_E4M3FN。
  • bias 数据类型不支持 HIFLOAT8、FLOAT8_E4M3FN。数据类型与 input、weight 一致。
  • conv1d、conv2d、conv3d 正向场景下 bias 会转成 FLOAT 参与计算。
  • conv2d 和 conv3d transposed=true 场景，weight H、W 的大小应该在[1,255]范围内，其他维度应该大于等于 1。
  • conv1d transposed=true 场景，weight L 的大小应该在[1,255]范围内，其他维度应该大于等于 1。
  • conv3d 正向场景，weight H、W 的大小应该在[1,511]范围内。
  • cubeMathType 为 0(KEEP_DTYPE) 时，当输入是 FLOAT 暂不支持。
  • cubeMathType 为 1(ALLOW_FP32_DOWN_PRECISION) 时，当输入是 FLOAT 允许转换为 HFLOAT32 计算。
  • cubeMathType 为 2(USE_FP16) 时，当输入是 BFLOAT16 不支持该选项。
  • cubeMathType 为 3(USE_HF32) 时，当输入是 FLOAT 转换为 HFLOAT32 计算。
• Ascend 950PR/Ascend 950DT：
  • input、weight 数据类型支持 FLOAT、FLOAT16、BFLOAT16、HIFLOAT8。
  • transposed=true 时：input 数据类型额外支持 FLOAT8_E4M3FN，支持 N 维度大于等于0，其他各个维度的大小应该大于等于1。
  • transposed=false 时：当 input 数据类型为 HIFLOAT8 时，weight 的数据类型必须与 input 一致。支持 N 维度大于等于0，支持 D、H、W 维度大于等于0（等于0的场景仅在 output 推导的 D、H、W 维度也等于0时支持），支持 C 维度大于等于0（等于0的场景仅在 output 推导的 N、C、D、H、W 其中某一维度等于0时支持）。
  • bias 数据类型不支持 HIFLOAT8、FLOAT8_E4M3FN。
  • transposed=true 时：当 input 和 weight 数据类型是 HIFLOAT8 和 FLOAT8_E4M3FN 时，不支持带 bias。
  • transposed=false 时：当 input 和 weight 数据类型是 HIFLOAT8 时，bias 数据类型会转成 FLOAT 参与计算。
  • cubeMathType 为 1(ALLOW_FP32_DOWN_PRECISION) 时，当输入是 FLOAT 允许转换为 HFLOAT32 计算。
  • cubeMathType 为 2(USE_FP16) 时，当输入是 BFLOAT16 不支持该选项。
  • cubeMathType 为 3(USE_HF32) 时，当输入是 FLOAT 转换为 HFLOAT32 计算。

约束说明

• Atlas A2 训练系列产品/Atlas A2 推理系列产品、Atlas A3 训练系列产品/Atlas A3 推理系列产品：input, weight, bias 中每一组 tensor 的每一维大小都应不大于 1000000。
• Ascend 950PR/Ascend 950DT：transposed 为 true 的场景，支持 1D、2D 和 3D 卷积，支持空 Tensor。
• 由于硬件资源限制，算子在部分参数取值组合场景下会执行失败，请根据日志信息提示分析并排查问题。若无法解决，请单击Link获取技术支持。

调用说明

调用方式	样例代码	说明
aclnn接口	test_aclnn_convolution_1d_transpose	通过aclnnConvolution接口演示 1D 转置卷积场景，调用 Conv2DTranspose 算子
aclnn接口	test_aclnn_convolution_2d_transpose	通过aclnnConvolution接口演示 2D 转置卷积场景，调用 Conv2DTranspose 算子
aclnn接口	test_aclnn_convolution_3d_transpose	通过aclnnConvolution接口演示 3D 转置卷积场景，调用 Conv3DTransposeV2 算子
aclnn接口	test_aclnn_conv_depthwise_2d	使用aclnnConvDepthwise2d接口演示 2D 深度可分离卷积，调用 Conv2D 算子
aclnn接口	test_aclnn_conv_tbc	使用aclnnConvTbc接口演示 time-batch-channel 卷积，调用 Conv2D 算子
aclnn接口	test_aclnn_quant_convolution	使用aclnnQuantConvolution接口演示 3D 量化卷积，调用 Conv3DV2 算子