QuantizeLinear

QuantizeLinear - 23

版本

  • 名称: QuantizeLinear (GitHub)

  • : main

  • 起始版本: 23

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子已从 版本 23 开始可用。

摘要

线性量化算子接受一个高精度张量、一个缩放因子和一个零点,计算得到低精度/量化张量。缩放因子和零点必须具有相同的形状,这决定了量化粒度。量化公式为 y = saturate((x / y_scale) + y_zero_point)

饱和根据以下规则进行

  • uint16: [0, 65535]

  • int16: [-32768, 32767]

  • uint8: [0, 255]

  • int8: [-128, 127]

  • uint4: [0, 15]

  • int4: [-8, 7]

对于 (x / y_scale),采用最近的偶数舍入。详情请参考 https://en.wikipedia.org/wiki/Rounding

y_zero_pointy 必须具有相同的类型。y_zero_point 通常不用于 float8 和 4 位类型的量化,但为了保持一致性,量化公式保持不变,并且属性 y_zero_point 的类型仍然决定了量化类型。xy_scale 可以具有不同的类型。y_scale 的类型决定了 xy_scale 之间除法运算的精度,除非指定了 precision 属性。

支持三种量化粒度,由 y_scale 的形状决定。在所有情况下,y_zero_point 都必须与 y_scale 具有相同的形状。

  • 逐张量(逐层)量化:y_scale 是一个标量。

  • 逐轴量化:缩放因子必须是一个一维张量,其长度与量化轴的维度相同。对于输入形状 (D0, ..., Di, ..., Dn)axis=iy_scale 是一个长度为 Di 的一维张量。

  • 分块量化:缩放因子的形状与输入形状相同,除了一个维度进行分块。给定 x 形状 (D0, ..., Di, ..., Dn)y_scale 形状 (S0, ... Si, ...Sn)axis=i,可接受的范围是 [ceil(Di/Si), ceil(Di/(Si-1))-1]

属性

  • axis - INT (默认为 '1')

    (可选)输入张量的反量化维度轴。仅用于逐轴和分块量化。负值表示从后往前计数维度。接受的范围是 [-r, r-1],其中 r = rank(input)。当输入张量的秩为 1 时,应用逐张量量化,此时轴参数是不必要的。

  • block_size - INT (默认为 '0')

    (可选)量化块的大小(每个缩放因子重复的次数)。仅用于分块量化。块大小是一个正整数。给定 x 形状 (D0, ..., Di, ..., Dn)y_scale 形状 (S0, ... Si, ...Sn)axis=i,可接受的范围是 [ceil(Di/Si), ceil(Di/(Si-1))-1]

  • output_dtype - INT (默认为 '0')

    (可选)输出数据类型。如果未提供,输出数据类型将从 y_zero_point 数据类型 (T3) 推断。如果 output_dtypey_zero_point 都未提供,输出数据类型为 uint8。如果同时指定了 output_dtypey_zero_point,则 output_dtype 必须是 T3

  • precision - INT (默认为 '0')

    (可选)xy_scale 之间除法运算的精度。如果未提供,将与 y_scale 的类型相同。

  • saturate - INT (默认为 '1')

    该参数定义了当输入值超出目标类型范围时的转换行为。它仅适用于 float 8 量化(float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认值为 true。所有情况都已在算子描述中的两个表格中详细说明。

输入

2 到 3 个输入。

  • x (异构) - T1

    待量化的 N 维全精度输入张量。

  • y_scale (异构) - T2

    用于量化以获得 y 的缩放因子。对于逐张量/逐层量化,缩放因子是一个标量;对于逐轴量化,它是一个一维张量;对于分块量化,其形状与输入相同,除了其中一个维度进行分块。

  • y_zero_point (可选, 异构) - T3

    用于量化以获得 y 的零点。形状必须与 y_scale 匹配。如果未指定,默认值为 uint8 类型且零点为 0。

输出

  • y (异构) - T3

    N 维量化输出张量。其形状与输入 x 相同。

类型约束

  • T1 在 ( tensor(bfloat16), tensor(float), tensor(float16), tensor(int32) )

    输入 ‘x’ 的类型。

  • T2 在 ( tensor(bfloat16), tensor(float), tensor(float16), tensor(int32) )

    输入 ‘y_scale’ 的类型。

  • T3 在 ( tensor(float4e2m1), tensor(float8e4m3fn), tensor(float8e4m3fnuz), tensor(float8e5m2), tensor(float8e5m2fnuz), tensor(int16), tensor(int4), tensor(int8), tensor(uint16), tensor(uint4), tensor(uint8) )

    输入 y_zero_point 和输出 y 的类型。

QuantizeLinear - 21

版本

  • 名称: QuantizeLinear (GitHub)

  • : main

  • 起始版本: 21

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子已从 版本 21 开始可用。

摘要

线性量化算子接受一个高精度张量、一个缩放因子和一个零点,计算得到低精度/量化张量。缩放因子和零点必须具有相同的形状,这决定了量化粒度。量化公式为 y = saturate((x / y_scale) + y_zero_point)。饱和根据以下规则进行

  • uint16: [0, 65535]

  • int16: [-32768, 32767]

  • uint8: [0, 255]

  • int8: [-128, 127]

  • uint4: [0, 15]

  • int4: [-8, 7] 对于 (x / y_scale),采用最近的偶数舍入。详情请参考 https://en.wikipedia.org/wiki/Roundingy_zero_pointy 必须具有相同的类型。y_zero_point 通常不用于 float8 类型的量化,但为了保持一致性,量化公式保持不变,并且属性 y_zero_point 的类型仍然决定了量化类型。支持三种量化粒度,由 y_scale 的形状决定。在所有情况下,y_zero_point 都必须与 y_scale 具有相同的形状。

  • 逐张量(逐层)量化:y_scale 是一个标量。

  • 逐轴量化:缩放因子必须是一个一维张量,其长度与量化轴的维度相同。对于输入形状 (D0, ..., Di, ..., Dn)axis=iy_scale 是一个长度为 Di 的一维张量。

  • 分块量化:缩放因子的形状与输入形状相同,除了一个维度进行分块。给定 x 形状 (D0, ..., Di, ..., Dn)y_scale 形状 (S0, ... Si, ...Sn)axis=i,可接受的范围是 [ceil(Di/Si), ceil(Di/(Si-1))-1]

属性

  • axis - INT (默认为 '1')

    (可选)输入张量的反量化维度轴。仅用于逐轴和分块量化。负值表示从后往前计数维度。接受的范围是 [-r, r-1],其中 r = rank(input)。当输入张量的秩为 1 时,应用逐张量量化,此时轴参数是不必要的。

  • block_size - INT (默认为 '0')

    (可选)量化块的大小(每个缩放因子重复的次数)。仅用于分块量化。块大小是一个正整数。给定 x 形状 (D0, ..., Di, ..., Dn)y_scale 形状 (S0, ... Si, ...Sn)axis=i,可接受的范围是 [ceil(Di/Si), ceil(Di/(Si-1))-1]

  • output_dtype - INT (默认为 '0')

    (可选)输出数据类型。如果未提供,输出数据类型将从 y_zero_point 数据类型 (T2) 推断。如果 output_dtypey_zero_point 都未提供,输出数据类型为 uint8。如果同时指定了 output_dtypey_zero_point,则 output_dtype 必须是 T2

  • saturate - INT (默认为 '1')

    该参数定义了当输入值超出目标类型范围时的转换行为。它仅适用于 float 8 量化(float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认值为 true。所有情况都已在算子描述中的两个表格中详细说明。

输入

2 到 3 个输入。

  • x (异构) - T1

    待量化的 N 维全精度输入张量。

  • y_scale (异构) - T1

    用于量化以获得 y 的缩放因子。对于逐张量/逐层量化,缩放因子是一个标量;对于逐轴量化,它是一个一维张量;对于分块量化,其形状与输入相同,除了其中一个维度进行分块。

  • y_zero_point (可选, 异构) - T2

    用于量化以获得 y 的零点。形状必须与 y_scale 匹配。如果未指定,默认值为 uint8 类型且零点为 0。

输出

  • y (异构) - T2

    N 维量化输出张量。其形状与输入 x 相同。

类型约束

  • T1 在 ( tensor(bfloat16), tensor(float), tensor(float16), tensor(int32) )

    输入 ‘x’ 的类型。

  • T2 在 ( tensor(float8e4m3fn), tensor(float8e4m3fnuz), tensor(float8e5m2), tensor(float8e5m2fnuz), tensor(int16), tensor(int4), tensor(int8), tensor(uint16), tensor(uint4), tensor(uint8) )

    输入 y_zero_point 和输出 y 的类型。

QuantizeLinear - 19

版本

  • 名称: QuantizeLinear (GitHub)

  • : main

  • 起始版本: 19

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子已从 版本 19 开始可用。

摘要

线性量化算子。它接受一个高精度张量、一个缩放因子和一个零点,计算得到低精度/量化张量。缩放因子和零点必须具有相同的形状,可以是逐张量/逐层量化的标量,或者逐轴量化的一维张量。量化公式为 y = saturate ((x / y_scale) + y_zero_point)。对于饱和,如果类型是 uint8,则饱和到 [0, 255];如果类型是 int8,则饱和到 [-128, 127]。对于 (x / y_scale),采用最近的偶数舍入。详情请参考 https://en.wikipedia.org/wiki/Rounding。‘y_zero_point’ 和 ‘y’ 必须具有相同的类型。‘y_zero_point’ 通常不用于 float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz 类型的量化,但为了保持一致性,量化公式保持不变,并且属性 ‘y_zero_point’ 的类型仍然决定了量化类型。

属性

  • axis - INT (默认为 '1')

    (可选)输入张量的量化维度轴。对于逐张量量化被忽略。负值表示从后往前计数维度。接受的范围是 [-r, r-1],其中 r = rank(input)。

  • saturate - INT (默认为 '1')

    该参数定义了当输入值超出目标类型范围时的转换行为。它仅适用于 float 8 量化(float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认值为 true。所有情况都已在算子描述中的两个表格中详细说明。

输入

2 到 3 个输入。

  • x (异构) - T1

    待量化的 N 维全精度输入张量。

  • y_scale (异构) - T1

    用于量化以获得 ‘y’ 的缩放因子。它可以是一个标量(表示逐张量/逐层量化),或者一个一维张量(用于逐轴量化)。

  • y_zero_point (可选, 异构) - T2

    用于量化以获得 ‘y’ 的零点。形状必须与 y_scale 匹配。如果未指定,默认值为 uint8 类型且零点为 0。

输出

  • y (异构) - T2

    N 维量化输出张量。其形状与输入 ‘x’ 相同。

类型约束

  • T1 在 ( tensor(bfloat16), tensor(float), tensor(float16), tensor(int32) )

    约束 ‘x’ 为 float, float16, bfloat16 或 int32 张量。

  • T2 在 ( tensor(float8e4m3fn), tensor(float8e4m3fnuz), tensor(float8e5m2), tensor(float8e5m2fnuz), tensor(int8), tensor(uint8) )

    约束 ‘y_zero_point’ 和 ‘y’ 为 8 位整数/浮点张量。

QuantizeLinear - 13

版本

  • 名称: QuantizeLinear (GitHub)

  • : main

  • 起始版本: 13

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子已从 版本 13 开始可用。

摘要

线性量化算子。它接受一个高精度张量、一个缩放因子和一个零点,计算得到低精度/量化张量。缩放因子和零点必须具有相同的形状,可以是逐张量/逐层量化的标量,或者逐轴量化的一维张量。量化公式为 y = saturate ((x / y_scale) + y_zero_point)。对于饱和,如果类型是 uint8,则饱和到 [0, 255];如果类型是 int8,则饱和到 [-128, 127]。对于 (x / y_scale),采用最近的偶数舍入。详情请参考 https://en.wikipedia.org/wiki/Rounding。‘y_zero_point’ 和 ‘y’ 必须具有相同的类型。

属性

  • axis - INT (默认为 '1')

    (可选)输入张量的量化维度轴。对于逐张量量化被忽略。负值表示从后往前计数维度。接受的范围是 [-r, r-1],其中 r = rank(input)。

输入

2 到 3 个输入。

  • x (异构) - T1

    待量化的 N 维全精度输入张量。

  • y_scale (异构) - tensor(float)

    用于量化以获得 ‘y’ 的缩放因子。它可以是一个标量(表示逐张量/逐层量化),或者一个一维张量(用于逐轴量化)。

  • y_zero_point (可选, 异构) - T2

    用于量化以获得 ‘y’ 的零点。形状必须与 y_scale 匹配。如果未指定,默认值为 uint8 类型且零点为 0。

输出

  • y (异构) - T2

    N 维量化输出张量。其形状与输入 ‘x’ 相同。

类型约束

  • T1 在 ( tensor(float), tensor(int32) )

    约束 ‘x’ 为 float 或 int32 张量。

  • T2 在 ( tensor(int8), tensor(uint8) )

    约束 ‘y_zero_point’ 和 ‘y’ 为 8 位整数张量。

QuantizeLinear - 10

版本

  • 名称: QuantizeLinear (GitHub)

  • : main

  • 起始版本: 10

  • 函数: False

  • 支持级别: SupportType.COMMON

  • 形状推断: True

此版本的算子已从 版本 10 开始可用。

摘要

线性逐张量/逐层量化算子。它接受一个高精度张量、一个缩放因子、一个零点,计算得到低精度/量化张量。量化公式为 y = saturate ((x / y_scale) + y_zero_point)。对于饱和,如果类型是 uint8,则饱和到 [0, 255];如果类型是 int8,则饱和到 [-128, 127]。对于 (x / y_scale),采用最近的偶数舍入。详情请参考 https://en.wikipedia.org/wiki/Rounding。‘y_zero_point’ 和 ‘y’ 必须具有相同的类型。

输入

2 到 3 个输入。

  • x (异构) - T1

    待量化的 N 维全精度输入张量。

  • y_scale (异构) - tensor(float)

    用于量化以获得 ‘y’ 的缩放因子。它是一个标量,表示逐张量/逐层量化。

  • y_zero_point (可选, 异构) - T2

    用于量化以获得 ‘y’ 的零点。它是一个标量,表示逐张量/逐层量化。如果未指定,默认值为 uint8 类型且值为 0。

输出

  • y (异构) - T2

    N 维量化输出张量。其形状与输入 ‘x’ 相同。

类型约束

  • T1 在 ( tensor(float), tensor(int32) )

    约束 ‘x’ 为 float 或 int32 张量。

  • T2 在 ( tensor(int8), tensor(uint8) )

    约束 ‘y_zero_point’ 和 ‘y’ 为 8 位整数张量。