torch.nn.utils.convert_conv2d_weight_memory_format

torch.nn.utils.convert_conv2d_weight_memory_format(module, memory_format)

將 nn.Conv2d.weight 的 memory_format 轉換為指定的 memory_format。

此轉換會遞迴地應用於巢狀的 nn.Module，包括 module 本身。請注意，它僅更改 memory_format，而不改變每個維度的語義。此函數用於促進採用 NHWC kernels 的計算，這為 CUDA 設備上計算能力 >= 7.0 的 fp16 資料提供了相當大的加速。

注意

呼叫 model.to(memory_format=torch.channels_last) 比實用函數 convert_conv2d_weight_memory_format 更具侵略性。 任何具有 4d 權重的層都會受到 model.to 的影響，這不一定能從轉換為指定的 memory_format 中受益。 我們可以確信的一點是，cuDNN 中的卷積 (convolution) 的 NHWC(channels_last) 轉換，有利於在 NHWC 中執行卷積，即使在我們必須對輸入張量應用置換 (permutation) 的情況下也是如此。

因此，我們在這裡的策略是僅將卷積的權重轉換為 channels_last。 這確保了：1. 將使用快速卷積 kernels，其好處可能超過置換的開銷（如果輸入格式不同）。 2. 不會在不需要記憶體格式轉換的層上應用不必要的置換。

最佳情況是，卷積層之間的層與 channels last 相容。 輸入張量會在遇到第一個卷積層時被置換為 channels last，並保持在該記憶體格式中。 因此，後續的卷積將不需要置換其輸入張量。

如果卷積層之間存在與 channels last 不相容的層，則需要將輸入張量置換回連續格式以供該層使用。 輸入張量將以連續格式經過剩餘層，並在遇到另一個卷積層時被置換為 channels last。 將該置換傳播到更早的層沒有意義，因為大多數層對於 memory_format 相當不敏感。

當 PyTorch 支援置換融合時，此聲明可能會改變，因為可能存在比緊鄰卷積之前更好的融合置換的位置。

參數

• module (nn.Module) – nn.Conv2d & nn.ConvTranspose2d 或容器 nn.Module

• memory_format – 使用者指定的 memory_format，例如 torch.channels_last 或 torch.contiguous_format

返回

具有更新後的 nn.Conv2d 的原始模組

範例

>>> input = torch.randint(1, 10, (2, 8, 4, 4), dtype=torch.float16, device="cuda")
>>> model = nn.Sequential(
>>>     nn.Conv2d(8, 4, 3)).cuda().half()
>>> # This is identical to:
>>> # nn.utils.convert_conv2d_weight_memory_format(model, torch.channels_last)
>>> model = nn.utils.convert_conv2d_weight_memory_format(model, torch.channels_last)
>>> out = model(input)