mindspore.mint.nn.ConvTranspose2d

class mindspore.mint.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros', dtype=None)

将2D转置卷积运算应用于由多个输入平面组成的输入图像。

这个模块可以看作是Conv2d相对于其输入的梯度。它也被称为分数跨步卷积或反卷积（尽管它不是实际的反卷积操作，其不是计算卷积的真逆函数）。

所有参数中的 kernel_size， stride， padding， output_padding 可以为：

• 单个整数 – 在这种情况下，该值同时被用于H和W维度

• 一个由两个整数组成的tuple – 在这种情况下，第一个整数用于H维度，第二个整数用于W维度。

警告

• 这是一个实验性API，后续可能修改或删除。

• 在输入非连续场景下， output_padding 必须小于 stride 。

• 在Atlas训练系列产品上，float32类型输入时，仅支持 groups 为1。

参数：

• in_channels (int) - 输入图像中的通道数。

• out_channels (int) - 卷积生成的通道数。

• kernel_size (Union[int, tuple(int)]) - 卷积核的大小。

• stride (Union[int, tuple(int)], 可选) - 卷积的步长。默认值： 1 。

• padding (Union[int, tuple(int)], 可选) - \(dilation * (kernel\_size - 1) - padding\) 零填充将添加到输入中每个维度的两侧。默认值： 0 。

• output_padding (Union[int, tuple(int)], 可选) - 在输出形状中每个维度的一侧增加额外的尺寸。 output_padding 的值必须小于 stride 或 dilation 。默认值： 0 。

• groups (int, 可选) - 从输入通道到输出通道的分块数。默认值： 1 。

• bias (bool, 可选) - 如果值为 True ， 则添加一个可学习的偏置至输出中。默认值： True 。

• dilation (Union[int, tuple(int)], 可选) - 内核元素之间的间距。默认值： 1 。

• padding_mode (str, 可选) - 指定填充值的填充模式。目前仅支持 zeros。默认值： zeros 。

• dtype (mindspore.dtype, 可选) - 模型参数的类型。默认值： None，此时模型参数类型为 mstype.float32 。

可学习参数：

• weigh (Parameter) - 模型的可学习权重，其shape为 \((\text{in_channels}, \frac{\text{out_channels}}{\text{groups}}, \text{kernel_size[0]}, \text{kernel_size[1]})\)。 其值从分布 \(\mathcal{U}(-\sqrt{k}, \sqrt{k})\) 中采样得到，其中 \(k = \frac{groups}{C_\text{out} * \prod_{i=0}^{1}\text{kernel_size}[i]}\) 。

• bias (Parameter) - 模型的可学习偏置，其shape为 \((\text{out_channels},)\) 。 如果 bias 为True，则其值从分布 \(\mathcal{U}(-\sqrt{k}, \sqrt{k})\) 中采样得到，其中 \(k = \frac{groups}{C_\text{out} * \prod_{i=0}^{1}\text{kernel_size}[i]}\)

输入：

• input (Tensor) - Tensor，其shape为 \((N, C_{in}, H_{in}, W_{in})\) 或 \((C_{in}, H_{in}, W_{in})\) 。

输出：

Tensor， shape为 \((N, C_{out}, H_{out}, W_{out})\) 或 \((C_{out}, H_{out}, W_{out})\) ，其中：

\[H_{out} = (H_{in} - 1) \times \text{stride}[0] - 2 \times \text{padding}[0] + \text{dilation}[0] \times (\text{kernel_size}[0] - 1) + \text{output_padding}[0] + 1\]

\[W_{out} = (W_{in} - 1) \times \text{stride}[1] - 2 \times \text{padding}[1] + \text{dilation}[1] \times (\text{kernel_size}[1] - 1) + \text{output_padding}[1] + 1\]

支持平台：

Ascend

样例：

>>> import mindspore as ms
>>> from mindspore import mint
>>> # With square kernels and equal stride
>>> m = mint.nn.ConvTranspose2d(16, 33, 3, stride=2)
>>> # non-square kernels and unequal stride and with padding
>>> m = mint.nn.ConvTranspose2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))
>>> input = mint.randn(20, 16, 50, 100)
>>> output = m(input)
>>> # exact output size can be also specified as an argument
>>> input = mint.randn(1, 16, 12, 12)
>>> downsample = mint.nn.Conv2d(16, 16, 3, stride=2, padding=1)
>>> upsample = mint.nn.ConvTranspose2d(16, 16, 3, stride=2, padding=1)
>>> h = downsample(input)
>>> h.shape
(1, 16, 6, 6)
>>> output = upsample(h, output_size=input.shape)
>>> output.shape
(1, 16, 12, 12)