update pytorch api_doc.rst

sources/pytorch/api_doc.rst

@@ -234,7 +234,7 @@ PyTorch-NPU 除了提供了 PyTorch 官方算子实现之外，也提供了大
     :param Int adam_mode: 选择adam模式。0表示“adam”, 1表示“mbert_adam”, 默认值为0
 
     关键字参数:
-    out (Tensor，可选) - 输出张量。
+        out (Tensor，可选) - 输出张量。
 
 示例:
 
@@ -309,4 +309,210 @@ PyTorch-NPU 除了提供了 PyTorch 官方算子实现之外，也提供了大
     >>> output = torch_npu.npu_bounding_box_decode(rois, deltas, 0, 0, 0, 0, 1, 1, 1, 1, (10, 10), 0.1)
     >>> output
     tensor([[2.5000, 6.5000, 9.0000, 9.0000],
-            [9.0000, 9.0000, 9.0000, 9.0000]], device='npu:0')
+            [9.0000, 9.0000, 9.0000, 9.0000]], device='npu:0')
+
+.. py:function:: npu_broadcast(self, size) -> Tensor
+    :module: torch_npu
+
+    返回self张量的新视图，其单维度扩展，结果连续。
+
+    :param Tensor self: 输入张量。
+    :param ListInt size: 对应扩展尺寸。
+
+    :rtype: Tensor
+
+示例:
+
+.. code-block:: python
+    :linenos:
+
+    >>> x = torch.tensor([[1], [2], [3]]).npu()
+    >>> x.shape
+    torch.Size([3, 1])
+    >>> x.npu_broadcast(3, 4)
+    tensor([[1, 1, 1, 1],
+           [2, 2, 2, 2],
+           [3, 3, 3, 3]], device='npu:0')
+
+.. py:function:: npu_ciou(Tensor self, Tensor gtboxes, bool trans=False, bool is_cross=True, int mode=0, bool atan_sub_flag=False) -> Tensor
+    :module: torch_npu
+
+    应用基于NPU的CIoU操作。在DIoU的基础上增加了penalty item，并propose CIoU。
+
+    :param Tensor boxes1: 格式为xywh、shape为(4, n)的预测检测框。
+    :param Tensor boxes2: 相应的gt检测框，shape为(4, n)。
+    :param Bool trans: 是否有偏移。
+    :param Bool is_cross: box1和box2之间是否有交叉操作。
+    :param Int mode: 选择CIoU的计算方式。0表示IoU，1表示IoF。
+    :param Bool atan_sub_flag:是否将正向的第二个值传递给反向。
+
+    :rtype: Tensor
+
+    约束说明:
+        到目前为止，CIoU向后只支持当前版本中的trans==True、is_cross==False、mode==0('iou')。如果需要反向传播，确保参数正确。
+
+示例:
+
+.. code-block:: python
+    :linenos:
+
+    >>> box1 = torch.randn(4, 32).npu()
+    >>> box1.requires_grad = True
+    >>> box2 = torch.randn(4, 32).npu()
+    >>> box2.requires_grad = True
+    >>> diou = torch_npu.contrib.function.npu_ciou(box1, box2) 
+    >>> l = ciou.sum()
+    >>> l.backward()
+
+.. py:function:: npu_clear_float_status(self) -> Tensor
+    :module: torch_npu
+
+    在每个核中设置地址0x40000的值为0。
+
+    :param Tensor self: 数据类型为float32的张量。
+
+    :rtype: Tensor
+
+示例:
+
+.. code-block:: python
+    :linenos:
+
+    >>> x = torch.rand(2).npu()
+    >>> torch_npu.npu_clear_float_status(x)
+    tensor([0., 0., 0., 0., 0., 0., 0., 0.], device='npu:0')
+
+.. py:function:: npu_confusion_transpose(self, perm, shape, transpose_first) -> Tensor
+    :module: torch_npu
+
+    混淆reshape和transpose运算。
+
+    :param Tensor self: 数据类型：float16、float32、int8、int16、int32、int64、uint8、uint16、uint32、uint64。
+    :param ListInt perm: self张量的维度排列。
+    :param ListInt shape: 输入shape。
+    :param Bool transpose_first: 如果值为True，首先执行transpose，否则先执行reshape。
+
+    :rtype: Tensor
+
+示例:
+
+.. code-block:: python
+    :linenos:
+
+    >>> x = torch.rand(2, 3, 4, 6).npu()
+    >>> x.shape
+    torch.Size([2, 3, 4, 6])
+    >>> y = torch_npu.npu_confusion_transpose(x, (0, 2, 1, 3), (2, 4, 18), True)
+    >>> y.shape
+    torch.Size([2, 4, 18])
+    >>> y2 = torch_npu.npu_confusion_transpose(x, (0, 2, 1), (2, 12, 6), False)
+    >>> y2.shape
+    torch.Size([2, 6, 12])
+
+.. py:function:: npu_conv2d(input, weight, bias, stride, padding, dilation, groups) -> Tensor
+    :module: torch_npu
+
+    在由多个输入平面组成的输入图像上应用一个2D卷积。
+
+    :param Tensor input: shape的输入张量，值为 (minibatch, in_channels, iH, iW)。
+    :param Tensor weight: shape过滤器，值为 (out_channels, in_channels/groups, kH, kW)。
+    :param Tensor bias: shape偏差 (out_channels)。
+    :param ListInt stride: 卷积核步长。
+    :param ListInt padding: 输入两侧的隐式填充。
+    :param ListInt dilation: 内核元素间距。
+    :param Int groups: 对输入进行分组。In_channels可被组数整除。
+
+    :rtype: Tensor
+
+.. py:function:: npu_conv3d(input, weight, bias, stride, padding, dilation, groups) -> Tensor
+    :module: torch_npu
+
+    在由多个输入平面组成的输入图像上应用一个3D卷积。
+
+    :param Tensor input: shape的输入张量，值为 (minibatch, in_channels, iT, iH, iW)。
+    :param Tensor weight: shape过滤器，值为 (out_channels, in_channels/groups, kT, kH, kW)。
+    :param Tensor bias: shape偏差 (out_channels)。
+    :param ListInt stride: 卷积核步长。
+    :param ListInt padding: 输入两侧的隐式填充。
+    :param ListInt dilation: 内核元素间距。
+    :param Int groups: 对输入进行分组。In_channels可被组数整除。
+
+    :rtype: Tensor
+
+.. py:function:: npu_conv_transpose2d(input, weight, bias, padding, output_padding, stride, dilation, groups) -> Tensor
+    :module: torch_npu
+
+    在由多个输入平面组成的输入图像上应用一个2D转置卷积算子，有时这个过程也被称为“反卷积”。
+
+    :param Tensor input: shape的输入张量，值为 (minibatch, in_channels, iH, iW)。
+    :param Tensor weight: shape过滤器，值为 (in_channels, out_channels/groups, kH, kW)。
+    :param Tensor bias: shape偏差 (out_channels)。
+    :param ListInt padding: (dilation * (kernel_size - 1) - padding) 用零来填充输入每个维度的两侧。
+    :param ListInt output_padding: 添加到输出shape每个维度一侧的附加尺寸。
+    :param ListInt stride: 卷积核步长。
+    :param ListInt dilation: 内核元素间距。
+    :param Int groups: 对输入进行分组。In_channels可被组数整除。
+
+    :rtype: Tensor
+
+.. py:function:: npu_convolution(input, weight, bias, stride, padding, dilation, groups) -> Tensor
+    :module: torch_npu
+
+    在由多个输入平面组成的输入图像上应用一个2D或3D卷积。
+
+    :param Tensor input: shape的输入张量，值为 (minibatch, in_channels, iH, iW) 或 (minibatch, in_channels, iT, iH, iW)。
+    :param Tensor weight: shape过滤器，值为 (out_channels, in_channels/groups, kH, kW) 或 (out_channels, in_channels/groups, kT, kH, kW)。
+    :param Tensor bias: shape偏差 (out_channels)。
+    :param ListInt stride: 卷积核步长。
+    :param ListInt padding: 输入两侧的隐式填充。
+    :param ListInt dilation: 内核元素间距。
+    :param Int groups: 对输入进行分组。In_channels可被组数整除。
+
+    :rtype: Tensor
+
+.. py:function:: npu_convolution_transpose(input, weight, bias, padding, output_padding, stride, dilation, groups) -> Tensor
+    :module: torch_npu
+
+    在由多个输入平面组成的输入图像上应用一个2D或3D转置卷积算子，有时这个过程也被称为“反卷积”。
+
+    :param Tensor input: shape的输入张量，值为 (minibatch, in_channels, iH, iW) 或 (minibatch, in_channels, iT, iH, iW)。
+    :param Tensor weight: shape过滤器，值为 (in_channels, out_channels/groups, kH, kW) 或 (in_channels, out_channels/groups, kT, kH, kW)。
+    :param Tensor bias: shape偏差 (out_channels)。
+    :param ListInt padding: (dilation * (kernel_size - 1) - padding) 用零来填充输入每个维度的两侧。
+    :param ListInt output_padding: 添加到输出shape每个维度一侧的附加尺寸。
+    :param ListInt stride: 卷积核步长。
+    :param ListInt dilation: 内核元素间距。
+    :param Int groups: 对输入进行分组。In_channels可被组数整除。
+
+    :rtype: Tensor
+
+.. py:function:: npu_deformable_conv2d(self, weight, offset, bias, kernel_size, stride, padding, dilation=[1,1,1,1], groups=1, deformable_groups=1, modulated=True) -> (Tensor, Tensor)
+    :module: torch_npu
+
+    使用预期输入计算变形卷积输出(deformed convolution output)。
+
+    :param Tensor self: 输入图像的4D张量。格式为“NHWC”，数据按以下顺序存储：[batch, in_height, in_width, in_channels]。
+    :param Tensor weight: 可学习过滤器的4D张量。数据类型需与self相同。格式为“HWCN”，数据按以下顺序存储：[filter_height, filter_width, in_channels / groups, out_channels]。
+    :param Tensor offset: x-y坐标偏移和掩码的4D张量。格式为“NHWC”，数据按以下顺序存储：[batch, out_height, out_width, deformable_groups * filter_height * filter_width * 3]。bias (Tensor，可选) - 过滤器输出附加偏置(additive bias)的1D张量，数据按[out_channels]的顺序存储。
+    :param ListInt[2] kernel_size: 内核大小，2个整数的元组/列表。
+    :param ListInt stride: 4个整数的列表，表示每个输入维度的滑动窗口步长。维度顺序根据self的数据格式解释。N维和C维必须设置为1。
+    :param ListInt padding: 4个整数的列表，表示要添加到输入每侧(顶部、底部、左侧、右侧)的像素数。
+
+    :param ListInt dilation: 4个整数的列表，表示输入每个维度的膨胀系数(dilation factor)。维度顺序根据self的数据格式解释。N维和C维必须设置为1。
+    :param Int groups: int32类型单整数，表示从输入通道到输出通道的阻塞连接数。In_channels和out_channels需都可被“groups”数整除。
+    :param Int deformable_groups: int32类型单整数，表示可变形组分区的数量。In_channels需可被“deformable_groups”数整除。
+    :param Bool transpose_first: 默认值为True, 指定DeformableConv2D版本。True表示v2版本, False表示v1版本，目前仅支持v2。
+
+    :rtype: (Tensor, Tensor)
+
+示例:
+
+.. code-block:: python
+    :linenos:
+
+    >>> x = torch.rand(16, 32, 32, 32).npu()
+    >>> weight = torch.rand(32, 32, 5, 5).npu()
+    >>> offset = torch.rand(16, 75, 32, 32).npu()
+    >>> output, _ = torch_npu.npu_deformable_conv2d(x, weight, offset, None, kernel_size=[5, 5], stride = [1, 1, 1, 1], padding = [2, 2, 2, 2])
+    >>> output.shape
+    torch.Size([16, 32, 32, 32])