torch.nn.utils.convert_conv2d_weight_memory_format

torch.nn.utils.convert_conv2d_weight_memory_format(module, memory_format)[源代码]

将 nn.Conv2d.weight 的 memory_format 转换为目标 memory_format。

转换递归应用于嵌套的 nn.Module（包括 module）。请注意，它只改变内存格式而不影响每个维度的语义。此函数用于方便计算采用 NHWC 内核，这为具有计算能力 >= 7.0 的 CUDA 设备上的 fp16 数据提供了显著的速度提升。

注意

调用 model.to(memory_format=torch.channels_last) 比实用函数 convert_conv2d_weight_memory_format 更具侵略性。任何具有 4 维权重的层都会受到 model.to 的影响，但不一定从中受益。我们有把握的是，在 cuDNN 中，即使需要对输入张量进行置换操作，以 NHWC（channels_last）格式运行卷积也是有益的。

因此，我们的策略是只将卷积权重转换为channels_last。这样可以确保：1. 使用快速卷积内核，其性能提升可能超过因输入格式不同而带来的置换开销；2. 不对不会从内存格式转换中受益的层进行不必要的置换操作。

最佳情况是，卷积层之间的层次都是通道最后兼容的。当输入张量遇到第一个卷积层时，会将其转换为通道最后的格式，并保持这种内存布局不变。因此，后续的卷积操作将不再需要转换其输入张量。

当通道最后的不兼容层位于两个卷积层之间时，需要将输入张量重新排列为连续格式以供该层使用。之后，输入张量将以连续格式通过剩余的所有层，并在遇到另一个卷积层时再次被重新排列为通道最后格式。由于大多数层对memory_format并不敏感，因此将这种重新排列传播到早期的层是没有意义的。

当 PyTorch 支持置换融合时，这一说法可能会改变，因为除了在卷积前立即进行置换融合之外，可能存在更好的融合位置。

参数

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

• memory_format — 用户指定的内存格式，例如 torch.channels_last 或 torch.contiguous_format

返回值

包含更新后nn.Conv2d的原始模块

示例

>>> 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)