pypto.conv_backward_input#

产品支持情况#

  • Ascend 950PR/Ascend 950DT：不支持

  • Atlas A3 训练系列产品/Atlas A3 推理系列产品：支持

  • Atlas A2 训练系列产品/Atlas A2 推理系列产品：支持

功能说明#

实现卷积反向输入梯度（conv backward input）计算，根据输出梯度grad_output和卷积核weight，计算输入特征图的梯度。

函数原型#

conv_backward_input(grad_output, input_size, weight, out_dtype, strides, paddings, dilations, *, groups=1) -> Tensor

参数说明#

参数名

输入/输出

说明

grad_output

输入

输出梯度Tensor。
不支持空Tensor。
仅支持4D（2D conv），仅支持NCHW格式。
支持数据类型：DT_FP16、DT_BF16。
shape约束：各维度取值范围 [1, 1000000]。

input_size

输入

输入特征图的shape，也是输出梯度的shape，维度和grad_output一致。

weight

输入

卷积核Tensor。
维度和grad_output一致（4D），数据类型必须与grad_output一致。
shape约束：各维度取值范围 [1, 1000000]， Kh、Kw必须在 [1, 255] 范围内，且Kh × Kw × 32bytes/sizeof(dtype) ≤ 65535。

out_dtype

输入

输出Tensor数据类型。
支持：DT_FP16、DT_BF16，且必须与grad_output数据类型一致。

strides

输入

卷积步长，参数示例：[1, 1]。
各维度取值范围：[1, 63]。

paddings

输入

卷积填充，参数示例：[1, 1, 2, 2]。
各维度取值范围：[0, 255]，且paddingH < (Kh-1) * dilationH + 1、paddingW < (Kw-1) * dilationW + 1。
当前仅支持双边相同pad，即padLeft == padRight、padTop == padBottom。

dilations

输入

空洞卷积膨胀率，参数示例：[1, 1]。
各维度取值范围：[1, 63]。

groups

输入

分组卷积组数，默认1。
当前仅支持groups = 1。

返回值说明#

返回卷积反向输入梯度计算后的输出Tensor：

2D卷积反向输出shape：(Batch, Cin, Hin, Win)

输出shape各维度范围：[1, 1000000]。

注意：仅依赖grad_output/weight以及属性并不能推导出唯一的输出shape，由于shape计算过程中需要对stride做除法并向下取整导致，所以输出shape是一个范围。以下公式为每个轴的有效范围计算公式，在以下公式产生的[min, max]间的都是有效值，使用者需要将想要输出的shape传入input_size参数：

HinMin = (Hout - 1) * stride_h - pad_top - pad_bottom + (Kh - 1) * dilation_h + 1
WinMin = (Wout - 1) * stride_w - pad_left - pad_right + (Kw - 1) * dilation_w + 1
HinMax = HinMin + stride_h - 1
WinMax = WinMin + stride_w - 1

约束说明#

  • 调用conv_backward_input接口前，必须通过pypto.set_convbp_input_tile_shapes接口设置L1/L0层级的卷积反向TileShape切分大小;调用pypto.set_vec_tile_shapes接口设置输入shape每个维度TileShape切分大小。

  • 不支持bias。

  • 不支持动态shape。

调用示例#

# 2D卷积反向基础示例
grad_output = pypto.tensor((1, 16, 5, 32), pypto.DT_FP16, "grad_output")
weight = pypto.tensor((16, 16, 3, 3), pypto.DT_FP16, "weight")

# 计算输入梯度shape
hin = 5
win = 32
input_size = (1, 16, hin, win)
tile_l1_info = pypto_impl.ConvBpTileL1Info(
        tileML1=16, tileKL1=144, tileNL1=16
    )
tile_l0_info = pypto_impl.ConvBpTileL0Info(
    tileML0=16, tileKL0=16, tileNL0=16
)
pypto.set_convbp_input_tile_shapes(tile_l1_info, tile_l0_info)
pypto.set_vec_tile_shapes(16, 16, 16, 16)
out = pypto.conv_backward_input(
    grad_output,
    input_size,
    weight,
    pypto.DT_FP16,
    strides=[1, 1],
    paddings=[1, 1, 1, 1],
    dilations=[1, 1]
)