QuantizeLinear¶
QuantizeLinear - 24¶
版本¶
域:
main
起始版本:
24
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符已可用于版本 24 及以上。
摘要¶
线性量化算子消耗一个高精度张量、一个比例因子和一个零点来计算低精度/量化张量。比例因子和零点的形状必须相同,它们决定了量化的粒度。量化公式为 y = saturate((x / y_scale) + y_zero_point)
。
饱和处理根据以下范围进行:
uint16: [0, 65535]
int16: [-32768, 32767]
uint8: [0, 255]
int8: [-128, 127]
uint4: [0, 15]
int4: [-8, 7]
对于 (x / y_scale)
,它会四舍五入到最近的偶数。详情请参阅 https://en.wikipedia.org/wiki/Rounding。
y_zero_point
和 y
的类型必须相同。y_zero_point
通常不用于量化为 float8 和 4 位类型,但为保持一致性,量化公式保持不变,且属性 y_zero_point
的类型仍然决定量化类型。x
和 y_scale
可以具有不同的类型。y_scale
的类型决定了 x
和 y_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
的形状必须与 y_scale
相同。
按张量 (按层) 量化:
y_scale
是一个标量。按轴量化:比例因子必须是 1 维张量,其长度为量化轴的长度。对于输入形状
(D0, ..., Di, ..., Dn)
和axis=i
,y_scale
是一个长度为Di
的 1 维张量。分块量化:比例因子的形状与输入形状相同,除了一个维度,在该维度上执行分块。给定
x
的形状为(D0, ..., Di, ..., Dn)
,axis=i
,以及块大小B
:y_scale
的形状为(D0, ..., ceil(Di/B), ..., Dn)
。
属性¶
轴 - INT(默认值为
'1'
)(可选) 输入张量反量化维度的轴。仅用于按轴量化和分块量化。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)
。当输入秩为 1 时,应用按张量量化,此时轴在这种情况下是不必要的。block_size - INT (默认为
'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。块大小是正整数。给定
x
的形状为(D0, ..., Di, ..., Dn)
,y_scale
的形状为(S0, ... Si, ...Sn)
且axis=i
,可接受的范围是[ceil(Di/Si), ceil(Di/(Si-1))-1]
。output_dtype - INT (默认为
'0'
)(可选) 输出数据类型。如果未提供,则输出数据类型根据
y_zero_point
的数据类型 (T3
) 推断。如果output_dtype
和y_zero_point
都未提供,则输出数据类型为 uint8。如果同时指定了output_dtype
和y_zero_point
,则output_dtype
必须是T3
。precision - INT (默认为
'0'
)(可选)
x
和y_scale
之间除法运算的精度。如果未提供,则与y_scale
的类型相同。saturate - 整型 (默认为
'1'
)该参数定义了当输入值超出目标类型的范围时,转换的行为方式。它仅适用于 float 8 量化 (float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认情况下它是 true。所有情况都在插入到算子描述中的两个表中完全描述。
输入¶
2 到 3 个输入之间。
x (异构) - T1
要量化的 N 维全精度输入张量。
y_scale (异构) - T2
用于进行量化以获得
y
的比例因子。对于按张量/层量化,比例因子是标量;对于按轴量化,它是 1D 张量;对于分块量化,它的形状与输入相同,除了一个用于分块的维度。y_zero_point (可选, 异构) - T3
用于进行量化以获得
y
的零点。形状必须与y_scale
匹配。如果未指定,则默认为 uint8 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 in (
tensor(bfloat16)
,tensor(float)
,tensor(float16)
,tensor(int32)
)输入 ‘x’ 的类型。
T2 in (
tensor(bfloat16)
,tensor(float)
,tensor(float16)
,tensor(float8e8m0)
,tensor(int32)
)输入 ‘y_scale’ 的类型。
T3 in (
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 - 23¶
版本¶
域:
main
起始版本:
23
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符已可用于版本 23 及以上。
摘要¶
线性量化算子消耗一个高精度张量、一个比例因子和一个零点来计算低精度/量化张量。比例因子和零点的形状必须相同,它们决定了量化的粒度。量化公式为 y = saturate((x / y_scale) + y_zero_point)
。
饱和处理根据以下范围进行:
uint16: [0, 65535]
int16: [-32768, 32767]
uint8: [0, 255]
int8: [-128, 127]
uint4: [0, 15]
int4: [-8, 7]
对于 (x / y_scale)
,它会四舍五入到最近的偶数。详情请参阅 https://en.wikipedia.org/wiki/Rounding。
y_zero_point
和 y
的类型必须相同。y_zero_point
通常不用于量化为 float8 和 4 位类型,但为保持一致性,量化公式保持不变,且属性 y_zero_point
的类型仍然决定量化类型。x
和 y_scale
可以具有不同的类型。y_scale
的类型决定了 x
和 y_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
的形状必须与 y_scale
相同。
按张量 (按层) 量化:
y_scale
是一个标量。按轴量化:比例因子必须是 1 维张量,其长度为量化轴的长度。对于输入形状
(D0, ..., Di, ..., Dn)
和axis=i
,y_scale
是一个长度为Di
的 1 维张量。分块量化:比例因子的形状与输入形状相同,除了一个维度,在该维度上执行分块。给定
x
的形状为(D0, ..., Di, ..., Dn)
,axis=i
,以及块大小B
:y_scale
的形状为(D0, ..., ceil(Di/B), ..., Dn)
。
属性¶
轴 - INT(默认值为
'1'
)(可选) 输入张量反量化维度的轴。仅用于按轴量化和分块量化。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)
。当输入秩为 1 时,应用按张量量化,此时轴在这种情况下是不必要的。block_size - INT (默认为
'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。块大小是正整数。给定
x
的形状为(D0, ..., Di, ..., Dn)
,y_scale
的形状为(S0, ... Si, ...Sn)
且axis=i
,可接受的范围是[ceil(Di/Si), ceil(Di/(Si-1))-1]
。output_dtype - INT (默认为
'0'
)(可选) 输出数据类型。如果未提供,则输出数据类型根据
y_zero_point
的数据类型 (T3
) 推断。如果output_dtype
和y_zero_point
都未提供,则输出数据类型为 uint8。如果同时指定了output_dtype
和y_zero_point
,则output_dtype
必须是T3
。precision - INT (默认为
'0'
)(可选)
x
和y_scale
之间除法运算的精度。如果未提供,则与y_scale
的类型相同。saturate - 整型 (默认为
'1'
)该参数定义了当输入值超出目标类型的范围时,转换的行为方式。它仅适用于 float 8 量化 (float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认情况下它是 true。所有情况都在插入到算子描述中的两个表中完全描述。
输入¶
2 到 3 个输入之间。
x (异构) - T1
要量化的 N 维全精度输入张量。
y_scale (异构) - T2
用于进行量化以获得
y
的比例因子。对于按张量/层量化,比例因子是标量;对于按轴量化,它是 1D 张量;对于分块量化,它的形状与输入相同,除了一个用于分块的维度。y_zero_point (可选, 异构) - T3
用于进行量化以获得
y
的零点。形状必须与y_scale
匹配。如果未指定,则默认为 uint8 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 in (
tensor(bfloat16)
,tensor(float)
,tensor(float16)
,tensor(int32)
)输入 ‘x’ 的类型。
T2 in (
tensor(bfloat16)
,tensor(float)
,tensor(float16)
,tensor(int32)
)输入 ‘y_scale’ 的类型。
T3 in (
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¶
域:
main
since_version:
21
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符自 版本 21 起可用。
摘要¶
线性量化算子消耗一个高精度张量、一个比例因子和一个零点来计算低精度/量化张量。比例因子和零点的形状必须相同,它们决定了量化的粒度。量化公式为 y = saturate((x / y_scale) + y_zero_point)
。饱和处理根据以下范围进行:
uint16: [0, 65535]
int16: [-32768, 32767]
uint8: [0, 255]
int8: [-128, 127]
uint4: [0, 15]
int4: [-8, 7] 对于
(x / y_scale)
,它会四舍五入到最近的偶数。详情请参阅 https://en.wikipedia.org/wiki/Rounding。y_zero_point
和y
的类型必须相同。y_zero_point
通常不用于量化为 float8 类型,但为保持一致性,量化公式保持不变,且属性y_zero_point
的类型仍然决定量化类型。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
的形状必须与y_scale
相同。按张量 (按层) 量化:
y_scale
是一个标量。按轴量化:比例因子必须是 1 维张量,其长度为量化轴的长度。对于输入形状
(D0, ..., Di, ..., Dn)
和axis=i
,y_scale
是一个长度为Di
的 1 维张量。分块量化:比例因子的形状与输入形状相同,除了一个维度,在该维度上执行分块。给定
x
的形状为(D0, ..., Di, ..., Dn)
,axis=i
,以及块大小B
:y_scale
的形状为(D0, ..., ceil(Di/B), ..., Dn)
。
属性¶
轴 - INT(默认值为
'1'
)(可选) 输入张量反量化维度的轴。仅用于按轴量化和分块量化。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)
。当输入秩为 1 时,应用按张量量化,此时轴在这种情况下是不必要的。block_size - INT (默认为
'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。块大小是正整数。给定
x
的形状为(D0, ..., Di, ..., Dn)
,y_scale
的形状为(S0, ... Si, ...Sn)
且axis=i
,可接受的范围是[ceil(Di/Si), ceil(Di/(Si-1))-1]
。output_dtype - INT (默认为
'0'
)(可选) 输出数据类型。如果未提供,则输出数据类型根据
y_zero_point
的数据类型 (T2
) 推断。如果output_dtype
和y_zero_point
都未提供,则输出数据类型为 uint8。如果同时指定了output_dtype
和y_zero_point
,则output_dtype
必须是T2
。saturate - 整型 (默认为
'1'
)该参数定义了当输入值超出目标类型的范围时,转换的行为方式。它仅适用于 float 8 量化 (float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认情况下它是 true。所有情况都在插入到算子描述中的两个表中完全描述。
输入¶
2 到 3 个输入之间。
x (异构) - T1
要量化的 N 维全精度输入张量。
y_scale (异构) - T1
用于进行量化以获得
y
的比例因子。对于按张量/层量化,比例因子是标量;对于按轴量化,它是 1D 张量;对于分块量化,它的形状与输入相同,除了一个用于分块的维度。y_zero_point (可选, 异构) - T2
用于进行量化以获得
y
的零点。形状必须与y_scale
匹配。如果未指定,则默认为 uint8 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 in (
tensor(bfloat16)
,tensor(float)
,tensor(float16)
,tensor(int32)
)输入 ‘x’ 的类型。
T2 in (
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¶
域:
main
since_version:
19
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符自 版本 19 起可用。
摘要¶
线性量化算子。它消耗一个高精度张量、一个比例因子和一个零点来计算低精度/量化张量。比例因子和零点的形状必须相同,并且对于按张量/层量化可以是标量,对于按轴量化可以是 1D 张量。量化公式为 y = saturate ((x / y_scale) + y_zero_point)
。对于饱和,如果它是 uint8,则饱和到 [0, 255],如果是 int8,则饱和到 [-128, 127]。对于 (x / y_scale),它是四舍五入到最近的偶数。详情请参阅 https://en.wikipedia.org/wiki/Rounding。‘y_zero_point’ 和 ‘y’ 的类型必须相同。‘y_zero_point’ 通常不用于量化为 float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz,但为保持一致性,量化公式保持不变,且属性 ‘y_zero_point’ 的类型仍然决定量化类型。
属性¶
轴 - INT(默认值为
'1'
)(可选) 输入张量的量化维度的轴。按张量量化时忽略。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)。
saturate - 整型 (默认为
'1'
)该参数定义了当输入值超出目标类型的范围时,转换的行为方式。它仅适用于 float 8 量化 (float8e4m3fn, float8e4m3fnuz, float8e5m2, float8e5m2fnuz)。默认情况下它是 true。所有情况都在插入到算子描述中的两个表中完全描述。
输入¶
2 到 3 个输入之间。
x (异构) - T1
要量化的 N 维全精度输入张量。
y_scale (异构) - T1
用于进行量化以获得 ‘y’ 的比例因子。它可以是标量,表示按张量/层量化,或者是一维张量,表示按轴量化。
y_zero_point (可选, 异构) - T2
用于进行量化以获得 ‘y’ 的零点。形状必须与 y_scale 匹配。如果未指定,则默认为 uint8 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 in (
tensor(bfloat16)
,tensor(float)
,tensor(float16)
,tensor(int32)
)将 ‘x’ 约束为 float、float16、bfloat16 或 int32 张量。
T2 in (
tensor(float8e4m3fn)
,tensor(float8e4m3fnuz)
,tensor(float8e5m2)
,tensor(float8e5m2fnuz)
,tensor(int8)
,tensor(uint8)
)将 ‘y_zero_point’ 和 ‘y’ 约束为 8 位整数/浮点张量。
QuantizeLinear - 13¶
版本¶
域:
main
起始版本:
13
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的运算符自 版本 13 起可用。
摘要¶
线性量化算子。它消耗一个高精度张量、一个比例因子和一个零点来计算低精度/量化张量。比例因子和零点的形状必须相同,并且对于按张量/层量化可以是标量,对于按轴量化可以是 1D 张量。量化公式为 y = saturate ((x / y_scale) + y_zero_point)。对于饱和,如果它是 uint8,则饱和到 [0, 255],如果是 int8,则饱和到 [-128, 127]。对于 (x / y_scale),它是四舍五入到最近的偶数。详情请参阅 https://en.wikipedia.org/wiki/Rounding。‘y_zero_point’ 和 ‘y’ 的类型必须相同。
属性¶
轴 - INT(默认值为
'1'
)(可选) 输入张量的量化维度的轴。按张量量化时忽略。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¶
2 到 3 个输入之间。
x (异构) - T1
要量化的 N 维全精度输入张量。
y_scale (异构) - tensor(float)
用于进行量化以获得 ‘y’ 的比例因子。它可以是标量,表示按张量/层量化,或者是一维张量,表示按轴量化。
y_zero_point (可选, 异构) - T2
用于进行量化以获得 ‘y’ 的零点。形状必须与 y_scale 匹配。如果未指定,则默认为 uint8 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 in (
tensor(float)
,tensor(int32)
)将 ‘x’ 约束为 float 或 int32 张量。
T2 在 (
tensor(int8)
,tensor(uint8)
) 中将 ‘y_zero_point’ 和 ‘y’ 约束为 8 位整数张量。
QuantizeLinear - 10¶
版本¶
域:
main
since_version:
10
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的操作符已在 版本 10 中提供。
摘要¶
线性按张量/层量化算子。它消耗一个高精度张量、一个比例因子、一个零点来计算低精度/量化张量。量化公式为 y = saturate ((x / y_scale) + y_zero_point)。对于饱和,如果它是 uint8,则饱和到 [0, 255],如果是 int8,则饱和到 [-128, 127]。对于 (x / y_scale),它是四舍五入到最近的偶数。详情请参阅 https://en.wikipedia.org/wiki/Rounding。‘y_zero_point’ 和 ‘y’ 的类型必须相同。
输入¶
2 到 3 个输入之间。
x (异构) - T1
要量化的 N 维全精度输入张量。
y_scale (异构) - tensor(float)
用于进行量化以获得 ‘y’ 的比例因子。它是一个标量,表示按张量/层量化。
y_zero_point (可选, 异构) - T2
用于进行量化以获得 ‘y’ 的零点。它是一个标量,表示按张量/层量化。如果未指定,则默认为 uint8 类型的 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 in (
tensor(float)
,tensor(int32)
)将 ‘x’ 约束为 float 或 int32 张量。
T2 在 (
tensor(int8)
,tensor(uint8)
) 中将 ‘y_zero_point’ 和 ‘y’ 约束为 8 位整数张量。