计算
弹性云服务器 ECS
Flexus云服务
裸金属服务器 BMS
弹性伸缩 AS
镜像服务 IMS
专属主机 DeH
函数工作流 FunctionGraph
云手机服务器 CPH
Huawei Cloud EulerOS
网络
虚拟私有云 VPC
弹性公网IP EIP
虚拟专用网络 VPN
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
VPC终端节点 VPCEP
云连接 CC
企业路由器 ER
企业交换机 ESW
全球加速 GA
安全与合规
安全技术与应用
Web应用防火墙 WAF
企业主机安全 HSS
云防火墙 CFW
安全云脑 SecMaster
DDoS防护 AAD
数据加密服务 DEW
数据库安全服务 DBSS
云堡垒机 CBH
数据安全中心 DSC
云证书管理服务 CCM
边缘安全 EdgeSec
威胁检测服务 MTD
CDN与智能边缘
内容分发网络 CDN
CloudPond云服务
智能边缘云 IEC
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
迁移中心 MGC
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
云搜索服务 CSS
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
数据治理中心 DataArts Studio
数据可视化 DLV
数据湖工厂 DLF
湖仓构建 LakeFormation
企业应用
云桌面 Workspace
应用与数据集成平台 ROMA Connect
云解析服务 DNS
专属云
专属计算集群 DCC
IoT物联网
IoT物联网
设备接入 IoTDA
智能边缘平台 IEF
用户服务
账号中心
费用中心
成本中心
资源中心
企业管理
工单管理
国际站常见问题
ICP备案
我的凭证
支持计划
客户运营能力
合作伙伴支持计划
专业服务
区块链
区块链服务 BCS
Web3节点引擎服务 NES
解决方案
SAP
高性能计算 HPC
视频
视频直播 Live
视频点播 VOD
媒体处理 MPC
实时音视频 SparkRTC
数字内容生产线 MetaStudio
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
存储容灾服务 SDRS
高性能弹性文件服务 SFS Turbo
弹性文件服务 SFS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属分布式存储服务 DSS
容器
云容器引擎 CCE
容器镜像服务 SWR
应用服务网格 ASM
华为云UCS
云容器实例 CCI
管理与监管
云监控服务 CES
统一身份认证服务 IAM
资源编排服务 RFS
云审计服务 CTS
标签管理服务 TMS
云日志服务 LTS
配置审计 Config
资源访问管理 RAM
消息通知服务 SMN
应用运维管理 AOM
应用性能管理 APM
组织 Organizations
优化顾问 OA
IAM 身份中心
云运维中心 COC
资源治理中心 RGC
应用身份管理服务 OneAccess
数据库
云数据库 RDS
文档数据库服务 DDS
数据管理服务 DAS
数据复制服务 DRS
云数据库 GeminiDB
云数据库 GaussDB
分布式数据库中间件 DDM
数据库和应用迁移 UGO
云数据库 TaurusDB
人工智能
人脸识别服务 FRS
图引擎服务 GES
图像识别 Image
内容审核 Moderation
文字识别 OCR
AI开发平台ModelArts
图像搜索 ImageSearch
对话机器人服务 CBS
华为HiLens
视频智能分析服务 VIAS
语音交互服务 SIS
应用中间件
分布式缓存服务 DCS
API网关 APIG
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
分布式消息服务RocketMQ版
多活高可用服务 MAS
事件网格 EG
企业协同
华为云会议 Meeting
云通信
消息&短信 MSGSMS
云生态
合作伙伴中心
云商店
开发者工具
SDK开发指南
API签名指南
Terraform
华为云命令行工具服务 KooCLI
其他
产品价格详情
系统权限
管理控制台
客户关联华为云合作伙伴须知
消息中心
公共问题
开发与运维
应用管理与运维平台 ServiceStage
软件开发生产线 CodeArts
需求管理 CodeArts Req
部署 CodeArts Deploy
性能测试 CodeArts PerfTest
编译构建 CodeArts Build
流水线 CodeArts Pipeline
制品仓库 CodeArts Artifact
测试计划 CodeArts TestPlan
代码检查 CodeArts Check
代码托管 CodeArts Repo
云应用引擎 CAE
开天aPaaS
云消息服务 KooMessage
云手机服务 KooPhone
云空间服务 KooDrive
本文导读

展开导读

文档首页/ 华为HiLens/ 用户指南/ Caffe算子边界

Caffe算子边界

更新时间:2024-09-30 GMT+08:00

对于Caffe框架,当算子的输入维度不是4时,如果存在axis参数,不能使用负数。

“.om”模型支持的Caffe算子边界如表1所示。

表1 Caffe算子边界

序号

算子

含义

边界

1

Absval

对输入求绝对值

【输入】

1个输入

【参数】

engine:枚举型,默认为0(DEFAULT=0,CAFFE=1,CUDNN=2),可选

【约束】

无限制

【量化工具支持】

2

Argmax

返回输入的最大值对应的索引序号

【输入】

1个输入

【参数】

  • out_max_val:布尔型,默认为false,可选
  • top_k:unit32,默认为1,可选
  • axis:int32,可选

【约束】

无限制

【量化工具支持】

3

BatchNorm

对输入做标准化

(x - avg(x))/x的标准差

【输入】

1个输入

【参数】

  • use_global_stats:布尔型,必须为true
  • moving_average_fraction:float,默认为0.999,可选
  • eps:float,默认为1e-5,可选

【约束】

仅支持对C维度方向做归一化

【量化工具支持】

4

Concat

输入数据按维度拼接

【输入】

多个输入

【参数】

  • concat_dim:uint32,默认为1,取值:大于0,可选
  • axis:int32,默认1,可选;与concat_dim功能相同,二者择其一;axis==-1时,输入维度必须等于4,否则结果可能错误

【约束】

  • 输入的tensor,除了进行concat的维度外,其他维度的size必须相等
  • 输入tensor的个数范围不超过[1,1000]

【量化工具支持】

5

DepthwiseConvolution

深度卷积

【输入】

1个输入,且filter为常量,维度为4

【参数】

  • num_output:uint32,可选
  • bias_term:布尔型,默认为true,可选
  • pad:uint32,默认为0;数组
  • kernel_size:uint32;数组
  • stride:uint32,默认为1;数组
  • dilation:uint32,默认为1;数组
  • pad_h:uint32,默认为0,可选(仅2D)
  • pad_w:uint32,默认为0,可选(仅2D)
  • kernel_h:uint32,可选(仅2D)
  • kernel_w:uint32,可选(仅2D)
  • stride_h:uint32,可选(仅2D)
  • stride_w:uint32,可选(仅2D)
  • group:uint32,默认为1,可选
  • weight_filler:类型为FillerParameter,可选
  • bias_filler:类型为FillerParameter,可选
  • engine:枚举型,默认为0(DEFAULT=0,CAFFE=1,CUDNN=2),可选
  • force_nd_im2col:布尔型,默认为false,可选
  • axis:int32,默认为1,可选

【约束】

filterN=inputC=group

【量化工具支持】

6

Convolution

卷积

【输入】

1个输入,且filter为常量,维度为4

【参数】

  • num_output:uint32,可选
  • bias_term:布尔型,默认为true,可选
  • pad:uint32,默认为0;数组
  • kernel_size:uint32;数组
  • stride:uint32,默认为1;数组
  • dilation:uint32,默认为1;数组
  • pad_h:uint32,默认为0,可选(仅2D)
  • pad_w:uint32,默认为0,可选(仅2D)
  • kernel_h:uint32,可选(仅2D)
  • kernel_w:uint32,可选(仅2D)
  • stride_h:uint32,可选(仅2D)
  • stride_w:uint32,可选(仅2D)
  • group:uint32,默认为1,可选
  • weight_filler:类型为FillerParameter,可选
  • bias_filler:类型为FillerParameter,可选
  • engine:枚举型,默认为0(DEFAULT=0,CAFFE=1,CUDNN=2),可选
  • force_nd_im2col:布尔型,默认为false,可选
  • axis:int32,默认为1,可选

【约束】

  • (inputW + padWHead + padWTail) >= (((FilterW- 1) * dilationW) + 1)
  • (inputW + padWHead + padWTail) /StrideW + 1 <= 2147483647
  • (inputH + padHHead + padHTail) >= (((FilterH- 1) * dilationH) + 1)
  • (inputH + padHHead + padHTail) /StrideH + 1 <= 2147483647
  • 0 <= Pad < 256, 0 < FilterSize < 256, 0 < Stride < 64, 1 <= dilationsize < 256

【量化工具支持】

7

Crop

截取

【输入】

2个输入

【参数】

  • axis:int32,默认为2,axis=-1,input dim必须等于4,可选
  • offset:uint32,数组

【约束】

无限制

【量化工具支持】

8

Deconvolution

反卷积

【输入】

1个输入,且filter为常量,维度为4

【参数】

  • num_output:uint32,可选
  • bias_term:布尔型,默认为true,可选
  • pad:uint32,默认为0;数组
  • kernel_size:uint32;数组
  • stride:uint32,默认为1;数组
  • dilation:uint32,默认为1;数组
  • pad_h:uint32,默认为0,可选(仅2D)
  • pad_w:uint32,默认为0,可选(仅2D)
  • kernel_h:uint32,可选(仅2D)
  • kernel_w:uint32,可选(仅2D)
  • stride_h:uint32,可选(仅2D)
  • stride_w:uint32,可选(仅2D)
  • group:uint32,默认为1,可选
  • weight_filler:类型为FillerParameter,可选
  • bias_filler:类型为FillerParameter,可选
  • engine:枚举型,默认为0(DEFAULT=0,CAFFE=1,CUDNN=2),可选
  • force_nd_im2col:布尔型,默认为false,可选
  • axis:int32,默认为1,可选

【约束】

  • group = 1
  • dilation = 1
  • filterH - padHHead - 1 >= 0
  • filterW - padWHead - 1 >= 0

还有一条约束涉及中间变量,公式如下:

  1. a = ALIGN(filter_num,16) * ALIGN(filter_c,16) * filter_h * filter_w * 2
  2. 如果ALIGN(filter_c,16)%32 = 0,a = a/2
  3. conv_input_width=(反卷积输入w - 1) * strideW + 1
  4. b = (conv_input_width) * filter_h * ALIGN(filter_num,16) * 2 * 2
  5. a + b <= 1024*1024

【量化工具支持】

9

DetectionOutput

检测结果输出FSR

【输入】

3个输入

【参数】

  • num_classes:必选,类型:int32,要预测的类数
  • share_location:可选,类型:bool,默认为true(表示不同类间共享bounding box)
  • background_label_id:可选,类型:int32,默认为0
  • nms_param:可选,非最大抑制
  • save_output_param:可选,用于保存检测结果
  • code_type:可选,默认为CENTER_SIZE
  • variance_encoded_in_target:可选,类型:bool,默认为true;如果为true,方差编码在目标中,否则需要相应地调整预测偏移量
  • keep_top_k:可选,类型:int32,在nms步骤后每个图像要保留的总bbox数
  • confidence_threshold:可选,类型:float,仅考虑置信度大于阈值的检测;如果没有设置,考虑所有的box
  • nms_threshold:可选,类型:float
  • top_k:可选,类型:int32
  • boxes:可选,类型:int32,默认为1
  • relative:可选,类型:bool,默认为true
  • objectness_threshold,可选,类型:float,默认为0.5
  • class_threshold:可选,类型:float,默认为0.5
  • biases:数组
  • general_nms_param:可选

【约束】

  • 支持fasterrcnn网络
  • 非极大值抑制比nmsThreshold∈(0,1)
  • 概率阈值postConfThreshold∈(0,1)
  • 类别>=2
  • 最大支持1024个框输入
  • 输出的w维度是16

【量化工具支持】

10

Eltwise

按元素操作层(求和、乘积、最大值)

【输入】

至少2个输入

【参数】

  • operation:可选,类型:枚举型(PROD = 0; SUM = 1; MAX = 2),默认为SUM
  • coeff:数组;类型:float
  • stable_prod_grad:可选,类型:bool,默认为true

【约束】

  • 最大支持4个输入
  • 与原生算子相比,不支持stable_prod_grad参数
  • 支持prod、sum、max三种模式

【量化工具支持】

11

Elu

激活函数

【输入】

1个输入

【参数】

alpha (optional):类型:float,默认为1

【约束】

无限制

【量化工具支持】

12

Exp

对输入求以e为底的x次方值

【输入】

1个输入

【参数】

  • base:可选,类型:float,默认为-1.0
  • scale:可选,类型:float,默认为1.0
  • shift:可选,类型:float,默认为0.0

【约束】

无限制

【量化工具支持】

13

Flatten

输入n*c*h*w 变为向量 n* (c*h*w)

【输入】

1个输入

(top_size与bottom_size必须不一致,且不为1;当axis=-1时,输入的dim必须等于4)

【参数】

  • axis:可选,类型:int32,默认为1
  • end_axis:可选,类型:int32,默认为-1

【约束】

axis必须小于end axis

【量化工具支持】

14

FullConnection

全连接

【输入】

1个输入

【参数】

  • num_output:可选,类型:uint32
  • bias_term:可选,类型:bool,默认为true
  • weight_filler:可选,类型:FillerParameter,维度为2
  • bias_filler:可选,类型:FillerParameter,维度为1
  • axis:可选,类型:int32,默认为1
  • transpose:可选,类型:bool,默认为false

【约束】

  • 仅支持transpose=false,axis=1
  • Bais_C <= 56832
  • 如果客户要量化模型时,需要满足下列维度:

    - 当N = 1,2 * CEIL(C,16) * 16 * xH * xW<= 1024 * 1024

    - 当N>1,2 * 16 * CEIL(C,16) * 16 * xH * xW <= 1024 * 1024

【量化工具支持】

15

Interp

插值层

【输入】

1个输入

【参数】

  • height:可选,类型:int32,默认为0
  • width:可选,类型:int32,默认为0
  • zoom_factor:可选,类型:int32,默认为1
  • shrink_factor:可选,类型:int32,默认为1
  • pad_beg:可选,类型:int32,默认为0
  • pad_end:可选,类型:int32, 默认为0
说明:

l zoom_factor与shrink_factor不能同时存在

l height与zoom_factor不能同时存在

l height与shrink_factor不能同时存在

【约束】

(outputH*outputW)/(inputH*inputW) > 1/30

【量化工具支持】

16

Log

对输入进行log计算

【输入】

1个输入

【参数】

  • base:可选,类型:float,默认为-1.0
  • scale:可选,类型:float,默认为1.0
  • shift:可选,类型:float,默认为0.0

【约束】

无限制

【量化工具支持】

17

LRN

局部响应归一化层

【输入】

1个输入,不支持常量输入

【参数】

  • local_size:可选,类型:uint32,默认为5
  • alpha:可选,类型:float,默认为1
  • beta:可选,类型:float,默认为0.75
  • norm_region:可选,类型:枚举型,默认为ACROSS_CHANNELS,(ACROSS_CHANNELS=0;WITHIN_CHANNEL = 1)
  • lrnk:可选,类型:float,默认为1
  • engine:可选,类型:枚举型(DEFAULT = 0;CAFFE = 1; CUDNN = 2)

【约束】

  • local_size >0,且必须为奇数
  • 通道间:当local_size∈[1,15]时,lrnK>0.00001且beta>0.01,否则lrnK和beta为任意值;LrnK和alpha不同时为0;当C维度大于1776时,local_size <1728
  • 通道内:LrnK=1,local_size∈[1,15],beta>0.01

【量化工具支持】

18

LSTM

长短期记忆网络

【输入】

2个或3个输入

  • X:时间序列数据(T*B*Xt),按4D的NCHW格式排布传入
  • 需要保证:N对应时间序列长度T,C对应Batch数B,H对应t时刻的输入数据Xt,W取1
  • Cont:序列连续性标志(T*B)
  • Xs:静态数据(B*Xt),可选

【参数】

  • num_output:可选,类型:uint32,默认为0
  • weight_filler:可选,类型:FillerParameter
  • bias_filler:可选,类型:FillerParameter
  • debug_info:可选,类型:bool,默认为false
  • expose_hidden:可选,类型:bool,默认为false

【约束】

此约束涉及中间变量计算,公式如列:

a = (ALIGN(xt,16) + ALIGN(output,16)) * 16 * 2 * 2

b = (ALIGN(xt,16) + ALIGN(output,16)) * 16 * 4 * 2 * 2

c = use_projection ? ALIGN(ht,16) * ALIGN(output,16) * 2):0

d = 16 * ALIGN(ht,16) * 2

e = batchNum* 4

则,约束为:

a + b + c <= 1024 * 1024

d <= 256*1024 / 8

e <= 256*1024 / 32

【量化工具支持】

19

Normalize

标准化层

【输入】

1个输入

【参数】

  • across_spatial:可选,类型:bool,默认为true
  • scale_filler:可选,默认为1.0
  • channel_shared:可选,类型:bool,默认为true
  • eps:可选,类型:float,默认为1e-10

【约束】

  • eps应大于1e-7,并且小于等于0.1+(1e-6)
  • Caffe框架中的参数across_spatial目前只支持true,按channel进行norm操作

【量化工具支持】

20

Permute

将输入维度按照给定模式进行重排

【输入】

1个输入

【参数】

order:uint32,数组

【约束】

无约束

【量化工具支持】

21

Pooling

池化层

【输入】

1个输入

【参数】

  • pool:池化方法,可选,类型:枚举,取值:MAX=0,AVE=1,STOCHASTIC = 2,默认为MAX
  • pad:可选,类型:uint32,默认为0
  • pad_h:可选,类型:uint32,默认为0
  • pad_w:可选,类型:uint32,默认为0
  • kernel_size:可选,类型:uint32,kernel_size和kernel_h/kernel_w不能同时出现
  • kernel_h:可选,类型:uint32
  • kernel_w:可选,类型:uint32,kernel_h/kernel_w必须同时存在
  • stride:可选,类型:uint32,默认为1
  • stride_h:可选,类型:uint32
  • stride_w:可选,类型:uint32
  • engine:可选,类型:枚举,取值:DEFAULT=0,CAFFE=1,CUDNN=2
  • global_pooling:可选,类型:bool,默认值为false
  • ceil_mode:可选,类型:bool,默认为true
  • round_mode:可选,类型:枚举,取值:CEIL=0,FLOOR=1;默认为CEIL

【约束】

  • kernelH<=inputH+padTop+padBottom
  • kernelW<=inputW+padLeft+padRight
  • padTop<windowH
  • padBottom<windowH
  • padLeft<windowW
  • padRight<windowW

除公共约束外,还需满足下列某一场景支持范围

global pool模式只支持以下范围:

  1. outputH==1 && outputW==1 && kernelH>=inputH && kernelW>=inputW
  2. inputH*inputW<=10000

【量化工具支持】

22

Power

计算 y = (scale*x+shift)^ power

【输入】

1个输入

【参数】

  • power:可选,类型:float,默认为1.0
  • scale:可选,类型:float,默认为1.0
  • shift:可选,类型:float,默认为0.0

【约束】

  • power!=1
  • scale*x+shift>0

【量化工具支持】

23

Prelu

激活函数

【输入】

1个输入

【参数】

  • filler:可选
  • channel_shared:可选,类型:bool,默认为false,是否跨channel共享斜率参数

【约束】

无限制

【量化工具支持】

24

PriorBox

从目标预选框获取真实目标的位置

【输入】

1个输入

【参数】

  • min_size:必须设置,最小框大小(以像素为单位)
  • max_size:必须设置,最大框大小(以像素为单位)
  • aspect_ratio:数组;类型:float;各种宽高比,重复的比率将被忽略,如果没有提供,使用默认比率1
  • flip:可选,类型:bool,默认为true;如果为true,将翻转每个宽高比,例如,如果有宽高比‘r’,也将生成宽高比‘1.0/r’
  • clip:可选,类型:bool,默认为false;如果为true,将剪切先前的值,使其在[0,1]范围内
  • variance:数组;调整先前bbox的方差
  • img_size:可选,类型:uint32,img_size与img_h/img_w不能同时存在
  • img_h:可选,类型:uint32
  • img_w:可选,类型:uint32
  • step:可选,类型:float,step与step_h/step_w不能同时存在
  • step_h:可选,类型:float
  • step_w:可选,类型:float
  • offset:类型:float,默认为0.5

【约束】

只支持ssd网络

输出维度:[n,2,检测框*4,1]

【量化工具支持】

25

Proposal

将预选框通过(proposal, score)排序,通过nms获取topN proposal

【输入】

3个输入(scores,bbox_pred,im_info)

【参数】

  • feat_stride:可选,类型:float
  • base_size:可选,类型:float
  • min_size:可选,类型:float
  • ratio:数组;类型:float
  • scale:数组;类型:float
  • pre_nms_topn:可选,类型:int32
  • post_nms_topn:可选,类型:int32
  • nms_thresh:可选,类型:float

【约束】

  • 只用于fastercnn
  • ProposalParameter、PythonParameter不能同时存在
  • preTopK范围为1~6144
  • postTopK范围为1~1024
  • scaleCnt*ratioCnt的最大值支持到64
  • nmsTresh:过滤框使用的阈值,0<nmsTresh<=1
  • minSize:框的边长的最小值,所有小于此最小值的框将会被过滤掉
  • featStride:在生成默认框时,指定两个相邻的框延H或W的步长
  • baseSize:用来生成默认框用到的参数,表示框的基本大小
  • ratio & scale:生成默认框用到的参数
  • imgH&imgW:输入到网络的图片高和宽,其值必须大于0
  • input维度约束:

    clsProb:C=2*scaleCnt*ratioCnt

    bboxPred:C=4*scaleCnt*ratioCnt

    bboxPrior:N=clsProb.N,C=4*scaleCnt*ratioCnt

    imInfo:N=clsProb.N,C=3

【量化工具支持】

26

PSROIPooling

位置敏感的区域池化

【输入】

2个输入

【参数】

  • spatial_scale:必须配置,类型:float
  • output_dim:必须配置,类型:int32,输出通道数
  • group_size:必须配置,类型:int32,编码位置敏感分数图的组数

【约束】

用于RFCN网络

  • 输入Roi框的坐标信息为[roiN,roiC,roiH,roiW],格式范围是:1<= roiN <=65535,roiC == 5,roiH == 1,roiW == 1
  • 输入的featuremap维度为[xN,xC,xH,xW]

    pooledH==pooledW==groupSize <= 128

    [pooledH pooledW ]表示pool框的长宽

  • 输出的格式 y[yN, yC, yH, yW]
  • poolingMode == avg pooling, pooledH == pooledW == groupSize, pooledH <= 128, spatialScale > 0, groupSize > 0, outputDim > 0
  • 1<=xN<=65535, roisN % xN == 0
  • HW_LIMIT是xh、xw的约束

    xHW = xH * xW

    pooledHW = pooledH * pooledW

    HW_LIMIT = (64*1024–8*1024) / 32

    xH >= pooledH,xW >= pooledW

    xHW >= pooledHW

    xHW/pooledHW<=HW_LIMIT

  • 多batch场景时,每个batch的roi框个数相同,且roi的batch排列顺序与feature相同

【量化工具支持】

27

Relu

激活函数,同时包含普通的relu和leaky relu,可通过参数指定

【输入】

1个输入

【参数】

  • negative_slope:可选,类型:float,默认为0
  • engine:可选,类型:枚举,取值:DEFAULT=0,CAFFE=1,CUDNN=2

【约束】

无限制

【量化工具支持】

28

Reshape

改变输入维度

【输入】

1个输入

【参数】

  • shape:常量,类型:int64或int
  • axis:可选,类型:int32,默认为0
  • num_axes:可选,类型:int32,默认为-1

【约束】

无限制

【量化工具支持】

29

ROIAlign

一种区域特征聚集的方式

【输入】

至少有2个输入

【参数】

  • pooled_h:可选,类型:uint32,默认为0
  • pooled_w:可选,类型:uint32,默认为0
  • spatial_scale:可选,类型:float,默认为1
  • sampling_ratio:可选,类型:int32,默认为-1

【约束】

主要用于maskrcnn

  • FeatureMap(特征图)约束:

(1)H * W <= 5248(N>1)或W * C < 40960(N=1)

(2)C <= 1280

(3)((C-1)/128+1)*pooledW <= 216

  • RoI(感兴区域)约束:

(1)C=5(caffe),H=1,W=1

(2)samplingRatio*pooledW <= 128且samplingRatio*pooledH <= 128

(3)H >= pooledH, W >= pooledW

【量化工具支持】

30

ROIPooling

将“候选框”映射到特征图上

【输入】

至少有2个输入

【参数】

  • pooled_h:必须设置,类型:uint32,默认为0
  • pooled_w:必须设置,类型:uint32,默认为0
  • spatial_scale:必须设置,类型:float;默认为1;乘法空间比例因子将ROI坐标从其输入比例转换为pool时使用的比例

【约束】

主要用于fasterrcnn

  • 输入维度:H * W<=8160;且H<=120;且W<=120
  • 输出维度:pooledH <=20,且pooledW <=20

【量化工具支持】

31

Scale

out=alpha*Input+beta

【输入】

2个输入,input的dim为4

【参数】

  • axis:可选,类型:int32,默认为1,仅支持axis为1或者-3
  • num_axes:可选,类型:int32,默认为1
  • filler:可选;filler被忽略,除非只给1个bottom且scale是学习参数
  • bias_term:可选,类型:bool,默认为false;是否也学习bias(相当于ScaleLayer + BiasLayer,但可能更有效率),使用bias_filler初始化
  • bias_filler:可选,默认为0

【约束】

scale,bias的shape只支持(n,c,1,1),且c维度与input的c维度相等

【量化工具支持】

32

ShuffleChannel

帮助信息在特征通道交叉流动

【输入】

1个输入

【参数】

group:可选,类型:uint32,默认为1

【约束】

无限制

【量化工具支持】

33

Sigmoid

激活函数

【输入】

1个输入

【参数】

engine:可选,类型:枚举,取值:DEFAULT=0,CAFFE=1,CUDNN=2

【约束】

无限制

【量化工具支持】

34

Slice

将输入分解成多个输出

【输入】

1个输入

【参数】

  • slice_dim:可选,类型:uint32,默认为1;axis和slice_dim不能同时存在
  • slice_point:数组;类型:uint32
  • axis:可选,类型:int32,默认为1(表示沿channel拼接)

【约束】

无限制

【输出】

无限制

【量化工具支持】

35

Softmax

归一化逻辑函数

【输入】

1个输入

【参数】

  • engine:可选,取值:DEFAULT=0,CAFFE=1,CUDNN=2
  • axis:可选,类型:int32,默认为1;表示沿哪个axis作softmax

【约束】

输入4维时可以针对每一维做softmax:

根据分类的轴不同,计算边界分别为:

  • axis=1时,c<=((256*1024/4)-8*1024-256)/2
  • axis=0时,n<=(56*1024-256)/2
  • axis=2时,W=1, 0<h<(1024*1024/32)
  • axis=3时,0<W<(1024*1024/32)

输入维度不足4维时,仅支持对最后一维做softmax计算,并且最后一维不超过46080

【量化工具支持】

36

Tanh

激活函数

【输入】

1个输入

【参数】

engine:可选,类型:枚举,取值:DEFAULT=0,CAFFE=1,CUDNN=2

【约束】

输入tensor元素个数不超过INT32_MAX

【量化工具支持】

37

Upsample

maxpool的反向传播过程

【输入】

2个输入

【参数】

scale:可选,类型:int32,默认为1

【约束】

无限制

【量化工具支持】

38

SSDDetectionOutput

SSD网络检测输出

【输入】

3个输入

【参数】

  • num_classes:必选,类型:int32,要预测的类数
  • share_location:可选,类型:bool,默认为true(表示不同类间共享bounding box)
  • background_label_id:可选,类型:int32,默认为0
  • nms_param:可选,非最大抑制
  • save_output_param:可选,用于保存检测结果
  • code_type:可选,默认为CENTER_SIZE
  • variance_encoded_in_target:可选,类型:bool,默认为true;如果为true,方差编码在目标中,否则需要相应地调整预测偏移量
  • keep_top_k:可选,类型:int32,在nms步骤后每个图像要保留的总bbox数
  • confidence_threshold:可选,类型:float,仅考虑置信度大于阈值的检测;如果没有设置,考虑所有的box
  • nms_threshold:可选,类型:float
  • top_k:可选,类型:int32
  • boxes:可选,类型:int32,默认为1
  • relative:可选,类型:bool,默认为true
  • objectness_threshold,可选,类型:float,默认为0.5
  • class_threshold:可选,类型:float,默认为0.5
  • biases:数组
  • general_nms_param:可选

【约束】

  • 只支持SSD网络
  • preTopK和postTopK的取值范围当前仅支持1~1024
  • shareLocation仅支持true
  • nmsEta仅支持1
  • numClasses支持的范围是1~2048
  • code_type仅支持CENTER_SIZE
  • nms_threshold和confidence_threshold的范围为0.0~1.0

【量化工具支持】

39

Reorg

实时物体检测

【输入】

1个输入

【参数】

  • stride:可选,类型:uint32,默认为2
  • reverse:可选,类型:bool,默认为false

【约束】

只用于YOLOV2

【量化工具支持】

40

Reverse

逆转

【输入】

1个输入

【参数】

axis:可选,类型:int32,默认为1;控制需翻转的数据轴,内容的布局不会被颠倒

【约束】

无限制

【量化工具支持】

41

LeakyRelu

LeakyRelu激活函数

【输入】

1个输入

【参数】

同Relu

【约束】

无限制

【量化工具支持】

42

YOLODetectionOutput

YOLO网络检测输出

【输入】

4个输入

【参数】

  • num_classes:必选,类型:int32,要预测的类数
  • share_location:可选,类型:bool,默认为true(表示不同类间共享bounding box)
  • background_label_id:可选,类型:int32,默认为0
  • nms_param:可选,非最大抑制
  • save_output_param:可选,用于保存检测结果
  • code_type:可选,默认为CENTER_SIZE
  • variance_encoded_in_target:可选,类型:bool,默认为true;如果为true,方差编码在目标中,否则需要相应地调整预测偏移量
  • keep_top_k:可选,类型:int32,在nms步骤后每个图像要保留的总bbox数
  • confidence_threshold:可选,类型:float,仅考虑置信度大于阈值的检测;如果没有设置,考虑所有的box
  • nms_threshold:可选,类型:float
  • top_k:可选,类型:int32
  • boxes:可选,类型:int32,默认为1
  • relative:可选,类型:bool,默认为true
  • objectness_threshold,可选,类型:float,默认为0.5
  • class_threshold:可选,类型:float,默认为0.5
  • biases:数组
  • general_nms_param:可选

【约束】

  • 只用于YOLOV2
  • classNUm<10240;anchorBox <= 8
  • W <= 1536
  • yolodetectionoutput的上层必须为yoloregion算子

【量化工具支持】

我们使用cookie来确保您的高速浏览体验。继续浏览本站,即表示您同意我们使用cookie。 详情

文档反馈

文档反馈

意见反馈

0/500

标记内容

同时提交标记内容