线性反量化

线性反量化 - 23

版本

  • 名称: DequantizeLinear (GitHub)

  • 域: main

  • 起始版本: 23

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该算子版本已可用 自版本 23。

摘要

线性反量化算子。它接收一个量化张量、一个比例因子和一个零点来计算全精度张量。反量化公式为 y = (x - x_zero_point) * x_scale。x_scale 和 x_zero_point 必须具有相同的形状，决定了量化的粒度：对于逐张量/逐层量化是一个标量，对于逐轴量化是一个 1-D 张量，或者对于分块量化具有与输入相同的秩。有关量化粒度的详细信息，请参见 QuantizeLinear。

x_zero_point 和 x 必须具有相同的类型。x 和 y 必须具有相同的形状。在对 int32 进行反量化的情况下，没有零点（零点应为 0）。在 float8 和 4 位类型量化的情况下，通常不使用 零点，但为了保持一致性，反量化公式保持不变。输出类型由属性 output_dtype 决定。如果未提供 output_dtype，则输出类型与 x_scale 的类型相同。输出类型也决定了乘法运算的精度。

属性

  • axis - INT (默认值为 '1')

    (可选) 输入张量反量化维度的轴。用于逐轴和分块量化。负值表示从后向前计数维度。可接受的范围是 [-r, r-1]，其中 r = rank(input)。

  • block_size - INT (默认值为 '0')

    (可选) 量化块的大小（每个比例因子复制的次数）。仅用于分块量化。块大小是一个正整数。给定 x 的形状 (D0, ..., Di, ..., Dn)，y_scale 的形状 (S0, ... Si, ...Sn) 且 axis=i，可接受的范围是 [ceil(Di/Si), ceil(Di/(Si-1))-1]

  • output_dtype - INT (默认值为 '0')

    (可选) 输出数据类型。如果未提供，输出数据类型将从 x_scale 数据类型 (T2) 推断。

输入

介于 2 到 3 个输入之间。

  • x (异构) - T1

    待反量化的 N 维量化输入张量。

  • x_scale (异构) - T2

    输入 x 的比例因子。对于逐张量/逐层反量化，比例因子是一个标量；对于逐轴反量化，它是一个 1-D 张量；对于分块反量化，它与输入的形状相同，除了进行分块的一个维度。

  • x_zero_point (可选，异构) - T1

    输入 x 的零点。形状必须与 x_scale 匹配。它是可选的。未指定时，零点为 0。

输出

  • y (异构) - T3

    N 维全精度输出张量。它与输入 x 具有相同的形状。数据类型由 output_dtype 属性指定，如果未指定，则使用 x_scale 的类型。

类型约束

  • T1 属于 ( tensor(float4e2m1), tensor(float8e4m3fn), tensor(float8e4m3fnuz), tensor(float8e5m2), tensor(float8e5m2fnuz), tensor(int16), tensor(int32), tensor(int4), tensor(int8), tensor(uint16), tensor(uint4), tensor(uint8) )

    输入 ‘x_zero_point’ 和 ‘x’ 的类型。

  • T2 属于 ( tensor(bfloat16), tensor(float), tensor(float16) )

    输入 ‘x_scale’ 的类型。

  • T3 属于 ( tensor(bfloat16), tensor(float), tensor(float16) )

    输出 ‘y’ 的类型。

线性反量化 - 21

版本

  • 名称: DequantizeLinear (GitHub)

  • 域: main

  • 起始版本: 21

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该算子版本已可用 **自版本 21**。

摘要

线性反量化算子。它接收一个量化张量、一个比例因子和一个零点来计算全精度张量。反量化公式为 y = (x - x_zero_point) * x_scale。x_scale 和 x_zero_point 必须具有相同的形状，决定了量化的粒度：对于逐张量/逐层量化是一个标量，对于逐轴量化是一个 1-D 张量，或者对于分块量化具有与输入相同的秩。有关量化粒度的详细信息，请参见 QuantizeLinear。x_zero_point 和 x 必须具有相同的类型。x 和 y 必须具有相同的形状。在对 int32 进行反量化的情况下，没有零点（零点应为 0）。在 float8 类型量化的情况下，通常不使用 零点，但为了保持一致性，反量化公式保持不变，且 x_scale 仍然决定输出类型。

属性

  • axis - INT (默认值为 '1')

    (可选) 输入张量反量化维度的轴。用于逐轴和分块量化。负值表示从后向前计数维度。可接受的范围是 [-r, r-1]，其中 r = rank(input)。

  • block_size - INT (默认值为 '0')

    (可选) 量化块的大小（每个比例因子复制的次数）。仅用于分块量化。块大小是一个正整数。给定 x 的形状 (D0, ..., Di, ..., Dn)，y_scale 的形状 (S0, ... Si, ...Sn) 且 axis=i，可接受的范围是 [ceil(Di/Si), ceil(Di/(Si-1))-1]

输入

介于 2 到 3 个输入之间。

  • x (异构) - T1

    待反量化的 N 维量化输入张量。

  • x_scale (异构) - T2

    输入 x 的比例因子。对于逐张量/逐层反量化，比例因子是一个标量；对于逐轴反量化，它是一个 1-D 张量；对于分块反量化，它与输入的形状相同，除了进行分块的一个维度。

  • x_zero_point (可选，异构) - T1

    输入 x 的零点。形状必须与 x_scale 匹配。它是可选的。未指定时，零点为 0。

输出

  • y (异构) - T2

    N 维全精度输出张量。它与输入 x 具有相同的形状。

类型约束

  • T1 属于 ( tensor(float8e4m3fn), tensor(float8e4m3fnuz), tensor(float8e5m2), tensor(float8e5m2fnuz), tensor(int16), tensor(int32), tensor(int4), tensor(int8), tensor(uint16), tensor(uint4), tensor(uint8) )

    输入 ‘x_zero_point’ 和 ‘x’ 的类型。

  • T2 属于 ( tensor(bfloat16), tensor(float), tensor(float16) )

    ‘x_scale’ 决定输出类型。

线性反量化 - 19

版本

  • 名称: DequantizeLinear (GitHub)

  • 域: main

  • 起始版本: 19

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该算子版本已可用 **自版本 19**。

摘要

线性反量化算子。它接收一个量化张量、一个比例因子和一个零点来计算全精度张量。反量化公式为 y = (x - x_zero_point) * x_scale。x_scale 和 x_zero_point 必须具有相同的形状，并且可以是用于逐张量/逐层量化的标量，或用于逐轴量化的 1-D 张量。x_zero_point 和 x 必须具有相同的类型。x 和 y 必须具有相同的形状。在对 int32 进行反量化的情况下，没有零点（零点应为 0）。在 float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz 量化的情况下，通常不使用 零点，但为了保持一致性，反量化公式保持不变，且 ‘x_scale’ 仍然决定输出类型。

属性

  • axis - INT (默认值为 '1')

    (可选) 输入张量反量化维度的轴。仅用于逐轴量化。负值表示从后向前计数维度。可接受的范围是 [-r, r-1]，其中 r = rank(input)。当输入的秩为 1 时，应用逐张量量化，在此场景下轴不再必要。

输入

介于 2 到 3 个输入之间。

  • x (异构) - T1

    待反量化的 N 维量化输入张量。

  • x_scale (异构) - T2

    输入 ‘x’ 的比例因子。它可以是一个标量，表示逐张量/逐层反量化，或者一个用于逐轴反量化的 1-D 张量。

  • x_zero_point (可选，异构) - T1

    输入 ‘x’ 的零点。形状必须与 x_scale 匹配。它是可选的。未指定时，零点为 0。

输出

  • y (异构) - T2

    N 维全精度输出张量。它与输入 ‘x’ 具有相同的形状。

类型约束

  • T1 属于 ( tensor(float8e4m3fn), tensor(float8e4m3fnuz), tensor(float8e5m2), tensor(float8e5m2fnuz), tensor(int32), tensor(int8), tensor(uint8) )

    将 ‘x_zero_point’ 和 ‘x’ 限制为 8 位整数或浮点数，或 32 位整数张量。

  • T2 属于 ( tensor(bfloat16), tensor(float), tensor(float16) )

    ‘x_scale’ 决定输出类型。

线性反量化 - 13

版本

  • 名称: DequantizeLinear (GitHub)

  • 域: main

  • 起始版本: 13

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该算子版本已可用 **自版本 13**。

摘要

线性反量化算子。它接收一个量化张量、一个比例因子和一个零点来计算全精度张量。反量化公式为 y = (x - x_zero_point) * x_scale。x_scale 和 x_zero_point 必须具有相同的形状，并且可以是用于逐张量/逐层量化的标量，或用于逐轴量化的 1-D 张量。x_zero_point 和 x 必须具有相同的类型。x 和 y 必须具有相同的形状。在对 int32 进行反量化的情况下，没有零点（零点应为 0）。

属性

  • axis - INT (默认值为 '1')

    (可选) 输入张量反量化维度的轴。对于逐张量量化将被忽略。负值表示从后向前计数维度。可接受的范围是 [-r, r-1]，其中 r = rank(input)。

输入

介于 2 到 3 个输入之间。

  • x (异构) - T

    待反量化的 N 维量化输入张量。

  • x_scale (异构) - tensor(float)

    输入 ‘x’ 的比例因子。它可以是一个标量，表示逐张量/逐层反量化，或者一个用于逐轴反量化的 1-D 张量。

  • x_zero_point (可选，异构) - T

    输入 ‘x’ 的零点。形状必须与 x_scale 匹配。它是可选的。未指定时，零点为 0。

输出

  • y (异构) - tensor(float)

    N 维全精度输出张量。它与输入 ‘x’ 具有相同的形状。

类型约束

  • T 属于 ( tensor(int32), tensor(int8), tensor(uint8) )

    将 ‘x_zero_point’ 和 ‘x’ 限制为 8 位/32 位整数张量。

线性反量化 - 10

版本

  • 名称: DequantizeLinear (GitHub)

  • 域: main

  • 起始版本: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

该算子版本已可用 **自版本 10**。

摘要

线性反量化算子。它接收一个量化张量、一个比例因子、一个零点来计算全精度张量。反量化公式为 y = (x - x_zero_point) * x_scale。‘x_scale’ 和 ‘x_zero_point’ 都是标量。‘x_zero_point’ 和 ‘x’ 必须具有相同的类型。‘x’ 和 ‘y’ 必须具有相同的形状。在对 int32 进行反量化的情况下，没有零点（零点应为 0）。

输入

介于 2 到 3 个输入之间。

  • x (异构) - T

    待反量化的 N 维量化输入张量。

  • x_scale (异构) - tensor(float)

    输入 ‘x’ 的比例因子。它是一个标量，表示逐张量/逐层量化。

  • x_zero_point (可选，异构) - T

    输入 ‘x’ 的零点。它是一个标量，表示逐张量/逐层量化。它是可选的。未指定时默认值为 0。

输出

  • y (异构) - tensor(float)

    N 维全精度输出张量。它与输入 ‘x’ 具有相同的形状。

类型约束

  • T 属于 ( tensor(int32), tensor(int8), tensor(uint8) )

    将 ‘x_zero_point’ 和 ‘x’ 限制为 8 位/32 位整数张量。