功能说明

在给定5HD格式的Data和FracZ格式的Weight的情况下计算float16的2-D卷积。

Data tensor 的shape是5HD，即（N, C1, H, W, C0）；Weight Tensor 的shape是 FracZ，即 (C1*KH*KW, Cout//C0_out, C0_out, C0)。

接口可以支持bias。

您可以在ATC包的安装目录下的“python/site-packages/te/te/lang/cce/te_compute/conv_compute.py”查看接口定义。

约束说明

此接口暂不支持与其他TBE DSL接口混合使用。

支持的数据类型：float16。

函数原型

te.lang.cce.conv(data, weight, para_dict, optim_dict=None, dsl_flag=True)

参数说明

• Data：2d卷积的FeatureMap，tensor，5HD格式，目前支持float16类型
• Weight：2d卷积的Weight，tensor，FracZ格式，目前支持float16类型
• para_dict：字典格式，包含各种参数，后续参数扩展一般都在para_dict
  其中目前在para_dict里必须要传的参数：

  • pad_h：int类型，2d卷积在FeatureMap H方向的补边。
  • pad_w：int类型，2d卷积在FeatureMap W方向的补边。
  • stride_h：int类型，2d卷积在FeatureMap H方向的移动步长。
  • stride_w：int类型，2d卷积在FeatureMap W方向的移动步长。
  • filter_h：int类型，2d卷积Filter H方向的大小。
  • filter_w：int类型，2d卷积Filter W方向的大小。

  其中目前在para_dict里支持的非必须参数：

  • Bias：tensor，目前支持float16类型，2d卷积的Bias。如果有该参数，则意味着卷积计算包含Bias，否则不包含Bias。并要求Bias是cout大小。
• optim_dict：用户侧可控制优化特性的flag标志。
  字典格式，字典内的key值是bool类型。

  • True：表示对应特性开启
  • False表示对应特性不开启

  默认值是optim_dict = {"c0_optim_flg": False}，表示不开启C0=4的优化特性。

  说明：当前仅支持c0_optim_flg的设置。

• dsl_flag：是否支持UB自动融合，True：支持UB自动融合，False：不支持UB自动融合。

返回值

res_tensor：表示卷积计算的tensor，即卷积计算的结果输出。

调用示例

对于Batch=1，C=32，H=16，W=8的FeatureMap、Cout=32，KernelH=KernelW=1的Weight的float16的2D卷积，

对应的5HD的FeatureMap tensor的shape为（Batch，C/16，H，W，16）=（1，2，16，8，16）

对应的FracZ的Weight tensor的shape为 (KernelH*KernelW*C/16, Cout/16, 16, 16)=（2，2，16，16）

对应的Bias tensor的shape为（Cout，）=（32，）

import te
from te import tvm
 
shape_in = (1, 2, 16, 8, 16)
shape_w = (2, 2, 16, 16)
pad_h = 0
pad_w = 0
stride_h = 1
stride_w = 1
filter_h = 1
filter_w = 1
Data = tvm.placeholder(shape_in, name='FmapW', dtype="float16")
Weight = tvm.placeholder(shape_w, name='FilterW', dtype="float16")
bias_tensor = tvm.placeholder(
    (shape_w[1] * shape_w[2], ), name='Bias', dtype="float16")
res_tensor = te.lang.cce.conv(
    Data, Weight, {"bias_tensor": bias_tensor,
                   "pad_h": pad_h, "pad_w": pad_w,
                   "stride_h": stride_h, "stride_w": stride_w,
                   "filter_h": filter_h, "filter_w": filter_w,
                   "offset_a":0})