mindspore.mint.nn.functional.conv_transpose2d

mindspore.mint.nn.functional.conv_transpose2d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1)

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，有时也称为反卷积（尽管它不是实际的反卷积）。

更多参考详见 mindspore.mint.nn.ConvTranspose2d。

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：

• input (Tensor) - 输入Tensor，shape为 $(minibatch,in\mathrm{\_}channels,iH,iW)$ 或 $(in\mathrm{\_}channels,iH,iW)$ 。

• weight (Tensor) - 卷积核，shape为 $(in\mathrm{\_}channels,\frac{out\mathrm{\_}channels}{\text{groups}},kH,kW)$ 。

• bias (Tensor, 可选) - 偏置，shape为 $(out\mathrm{\_}channels)$ 。默认值： None 。

• stride (Union[int, tuple(int), list[int]], 可选) - 卷积的步长。可以为1个整数或1个元组 $(sH,sW)$ 。默认值： 1 。

• padding (Union[int, tuple(int), list[int]], 可选) - $dilation\ast (kernel\mathrm{\_}size-1)-padding$ 零填充将添加到输入中每个维度的两侧。可以为1个整数或1个元组 $(padH,padW)$ 。默认值： 0 。

• output_padding (Union[int, tuple(int), list[int]], 可选) - 在输出形状中每个维度的一侧增加额外的尺寸。可以为1个整数或1个元组 $(out\mathrm{\_}padH,out\mathrm{\_}padW)$ 。 output_padding 的值必须小于 stride 或 dilation 。默认值： 0 。

• groups (int, 可选) - 将输入分成 groups 组。$in\mathrm{\_}channels$ 应能被 groups 整除。默认值： 1 。

• dilation (Union[int, tuple(int), list[int]], 可选) - 内核元素之间的间距。可以为1个整数或1个元组 $(dH,dW)$ 。默认值： 1 。

返回：

Tensor， shape为 $(minibatch,out\mathrm{\_}channels,oH,oW)$ 或 $(out\mathrm{\_}channels,oH,oW)$ 。其中：

$$oH=(iH-1)\times sH-2\times padH+dH\times (kH-1)+out\mathrm{\_}padH+1$$

$$oW=(iW-1)\times sW-2\times padW+dW\times (kW-1)+out\mathrm{\_}padW+1$$

异常：

• TypeError - stride， padding， output_padding 或 dilation 既不是int也不是tuple或list。

• TypeError - groups 不是int。

• ValueError - bias 的shape不是 $(out\mathrm{\_}channels)$ 。

• ValueError - stride 或 dilation 小于1。

• ValueError - padding 或 output_padding 小于0。

• ValueError - stride， padding， output_padding 或 dilation 是tuple且其长度不等于2。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, mint
>>> x = Tensor(np.ones([1, 4, 5, 5]), mindspore.float32)
>>> weight = Tensor(np.ones([4, 8, 3, 3]), mindspore.float32)
>>> output = mint.nn.functional.conv_transpose2d(x, weight)
>>> print(output.shape)
(1, 8, 7, 7)