Conv2d ================= 对输入 Tensor 计算二维卷积，输入的 shape 为 :math:`(N, H_{in}, W_{in}, C_{in})`，其中 :math:`N` 为 batch size，:math:`C` 为通道数，:math:`H` 为特征图的高度，:math:`W` 为特征图的宽度。 根据以下公式计算输出： .. math:: out(N_i, C_{out_j}) = bias(C_{out_j}) + \sum_{k=0}^{C_{in}-1} \text{ccor}(\text{weight}(C_{out_j}, k), X(N_i, k)) 其中，:math:`bias` 为输出偏置，:math:`\text{ccor}` 为 cross-correlation 操作，:math:`weight` 为卷积核的值，:math:`X` 为输入的特征图。 - :math:`i` 对应 batch 数，其范围为 :math:`[0, N-1]`，其中 :math:`N` 为输入 batch。 - :math:`j` 对应输出通道，其范围为 :math:`[0, C_{out}-1]`，其中 :math:`C_{out}` 为输出通道数，该值也等于卷积核的个数。 - :math:`k` 对应输入通道数，其范围为 :math:`[0, C_{in}-1]`，其中 :math:`C_{in}` 为输入通道数，该值也等于卷积核的通道数。 因此，上面的公式中，:math:`bias(C_{out_j})` 为第 :math:`j` 个输出通道的偏置，:math:`weight(C_{out_j}, k)` 表示第 :math:`j` 个卷积核在第 :math:`k` 个输入通道的卷积核切片，:math:`X(N_i, k)` 为特征图第 :math:`i` 个 batch 第 :math:`k` 个输入通道的切片。卷积核 shape 为 :math:`(\text{kernel_size}[0], \text{kernel_size}[1])`，其中 kernel_size[0] 和 kernel_size[1] 是卷积核的高度和宽度。若考虑到输入输出通道以及 group，则完整卷积核的 shape 为 :math:`(C_{out}, \text{kernel_size}[0], \text{kernel_size}[1], C_{in}/\text{group})`，其中 group 是分组卷积时在通道上分割输入 :math:`x` 的组数。 输入： - **input_x** - 输入数据的地址 - **input_w** - 输入卷积核权重的地址 - **bias** - 输入偏置的地址 - **conv_param** - 算子计算所需参数的结构体。其各成员见下述。 - **quant_param** - 对int8类型进行量化计算所需参数的结构体。其各成员见下述。 - **core_mask** - 核掩码。 **ConvParameter及ConvQuantParameter定义：** .. code-block:: c :linenos: typedef struct ConvParameter { void* workspace_; // 用于存放中间计算结果 int output_batch_; // 输出数据总批次 int input_batch_; // 输入数据总批次 int input_h_; // 输入数据h维度大小 int input_w_; // 输入数据w维度大小 int output_h_; // 输出数据h维度大小 int output_w_; // 输出数据w维度大小 int input_channel_; // 输入数据通道数 int output_channel_; // 输出数据通道数 int kernel_h_; // 卷积核h维度大小 int kernel_w_; // 卷积核w维度大小 int group_; // 组数 int pad_l_; // 左填充大小 int pad_u_; // 上填充大小 int dilation_h_; // 卷积核h维度膨胀尺寸大小 int dilation_w_; // 卷积核w维度膨胀尺寸大小 int stride_h_; // 卷积核h维度步长 int stride_w_; // 卷积核w维度步长 int buffer_size_; // 为分块计算所分配的缓存大小 } ConvParameter; typedef struct ConvQuantParameter { int32_t* left_shift_; int32_t* right_shift_; int32_t* multiplier_; int32_t* filter_zp_ptr_; int32_t output_zp_; int32_t mini_; int32_t maxi_; int per_channel_; } ConvQuantParameter; 输出： - **out_y** - 输出地址。 支持平台： ``FT78NE`` ``MT7004`` .. note:: - FT78NE 支持int8, fp32 - MT7004 支持fp16, fp32 **共享存储版本:** .. c:function:: void i8_conv2d_s(int8_t* input_x, int8_t* input_w, int8_t* out_y, int* bias, ConvParameter *conv_param, ConvQuantParameter quant_param, int core_mask) .. c:function:: void hp_conv2d_s(half* input_x, half* input_w, half* out_y, half* bias, ConvParameter *conv_param, int core_mask) .. c:function:: void fp_conv2d_s(float* input_x, float* input_w, float* out_y, float* bias, ConvParameter *conv_param, int core_mask) **C调用示例：** .. code-block:: c :linenos: :emphasize-lines: 32 void TestConvSMCFp32(int* input_shape, int* weight_shape, int* output_shape, int* stride, int* padding, int* dilation, int groups, float* bias, int core_mask) { int core_id = get_core_id(); int logic_core_id = GetLogicCoreId(core_mask, core_id); int core_num = GetCoreNum(core_mask); float* input_data = (float*)0x88000000; float* weight = (float*)0x89000000; float* output_data = (float*)0x90000000; float* bias_data = (float*)0x91000000; ConvParameter* param = (ConvParameter*)0x92000000; if (logic_core_id == 0) { memcpy(bias_data, bias, sizeof(float) * output_shape[3]); param->dilation_h_ = dilation[0]; param->dilation_w_ = dilation[1]; param->group_ = groups; param->input_batch_ = input_shape[0]; param->input_h_ = input_shape[1]; param->input_w_ = input_shape[2]; param->input_channel_ = input_shape[3]; param->kernel_h_ = weight_shape[1]; param->kernel_w_ = weight_shape[2]; param->output_batch_ = output_shape[0]; param->output_h_ = output_shape[1]; param->output_w_ = output_shape[2]; param->output_channel_ = output_shape[3]; param->stride_h_ = stride[0]; param->stride_w_ = stride[0]; param->pad_u_ = padding[0]; param->pad_l_ = padding[2]; param->workspace_ = (float*)0x10000000; // workspace空间需分配在AM内，计算过程中会将数据搬运到workspace空间内进行计算 } sys_bar(0, core_num); // 初始化参数完成后进行同步 fp_conv2d_s(input_data, weight, output_data, bias_data, param, core_mask); } void main(){ int in_channel = 4; int out_channel = 4; int groups = 4; int input_shape[4] = {1, 30, 30, in_channel}; // NHWC int weight_shape[4] = {out_channel, 3, 3, in_channel / groups}; int output_shape[4] = {1, 10, 10, out_channel}; // NHWC int stride[2] = {2, 2}; int padding[4] = {1, 1, 1, 1}; int dilation[2]= {2, 2}; float bias[4] = {0, 0, 0, 0}; int core_mask = 0b1111; TestConvSMCFp32(input_shape, weight_shape, output_shape, stride, padding, dilation, groups, bias, core_mask); } **私有存储版本:** .. c:function:: void i8_conv2d_p(int8_t* input_x, int8_t* input_w, int8_t* out_y, int* bias, ConvParameter *conv_param, ConvQuantParameter quant_param, int core_mask) .. c:function:: void hp_conv2d_p(half* input_x, half* input_w, half* out_y, half* bias, ConvParameter *conv_param, int core_mask) .. c:function:: void fp_conv2d_p(float* input_x, float* input_w, float* out_y, float* bias, ConvParameter *conv_param, int core_mask) **C调用示例：** .. code-block:: c :linenos: :emphasize-lines: 27 void TestConvL2Fp32(int* input_shape, int* weight_shape, int* output_shape, int* stride, int* padding, int* dilation, int groups, float* bias, int core_mask) { float* input_data = (float*)0x10010000; // 私有存储版本地址设置在AM内 float* weight = (float*)0x10020000; float* output_data = (float*)0x10030000; float* bias_data = (float*)0x10040000; ConvParameter* param = (ConvParameter*)0x10060000; memcpy(bias_data, bias, sizeof(float) * output_shape[3]); param->dilation_h_ = dilation[0]; param->dilation_w_ = dilation[1]; param->group_ = groups; param->input_batch_ = input_shape[0]; param->input_h_ = input_shape[1]; param->input_w_ = input_shape[2]; param->input_channel_ = input_shape[3]; param->kernel_h_ = weight_shape[1]; param->kernel_w_ = weight_shape[2]; param->output_batch_ = output_shape[0]; param->output_h_ = output_shape[1]; param->output_w_ = output_shape[2]; param->output_channel_ = output_shape[3]; param->stride_h_ = stride[0]; param->stride_w_ = stride[0]; param->pad_u_ = padding[0]; param->pad_l_ = padding[2]; param->workspace_ = (float*)0x10070000; param->buffer_size_ = 2048; // 私有存储版本中，必须设置该参数，用于确定分块计算的大小 fp_conv2d_p(input_data, weight, output_data, bias_data, param, core_mask); } void main(){ int in_channel = 4; int out_channel = 4; int groups = 4; int input_shape[4] = {1, 30, 30, in_channel}; // NHWC int weight_shape[4] = {out_channel, 3, 3, in_channel / groups}; int output_shape[4] = {1, 10, 10, out_channel}; // NHWC int stride[2] = {2, 2}; int padding[4] = {1, 1, 1, 1}; int dilation[2]= {2, 2}; float bias[4] = {0, 0, 0, 0}; int core_mask = 0b0001; // 私有存储版本只能设置为一个核心启动 TestConvL2Fp32(input_shape, weight_shape, output_shape, stride, padding, dilation, groups, bias, core_mask); }