mindspore.nn.Conv1dTranspose
- class mindspore.nn.Conv1dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init=None, bias_init=None, dtype=mstype.float32)[源代码]
计算一维转置卷积,可以视为Conv1d对输入求梯度,也称为反卷积(实际不是真正的反卷积)。
输入的shape通常是 \((N, C_{in}, L_{in})\) ,其中 \(N\) 是batch size, \(C_{in}\) 是通道数, \(L_{in}\) 是序列的长度。 当Conv1d和ConvTranspose1d使用相同的参数初始化时,且 pad_mode 设置为"pad",它们会在输入的两端填充 \(dilation * (kernel\_size - 1) - padding\) 个零,这种情况下它们的输入和输出shape是互逆的。 然而,当 stride 大于1时,Conv1d会将多个输入的shape映射到同一个输出shape。反卷积网络可以参考 Deconvolutional Networks 。
- 参数:
in_channels (int) - Conv1dTranspose层输入Tensor的空间维度。
out_channels (int) - Conv1dTranspose层输出Tensor的空间维度。
kernel_size (int) - 指定一维卷积核的宽度。
stride (int) - 一维卷积核的移动步长,默认值:
1
。pad_mode (str,可选) - 指定填充模式,填充值为0。可选值为
"same"
,"valid"
或"pad"
。默认值:"same"
。"same"
:在输入的两端填充,使得当 stride 为1
时,输入和输出的shape一致。待填充的量由算子内部计算,若为偶数,则均匀地填充在四周,若为奇数,多余的填充量将补充在右端。如果设置了此模式, padding 必须为0。"valid"
:不对输入进行填充,返回输出可能的最大长度,不能构成一个完整stride的额外的像素将被丢弃。如果设置了此模式, padding 必须为0。"pad"
:对输入填充指定的量。在这种模式下,填充的量由 padding 参数指定。如果设置此模式, padding 必须大于或等于0。
padding (int) - 输入两侧填充的数量。默认值:
0
。dilation (int) - 一维卷积核膨胀尺寸。若 \(k > 1\) ,则kernel间隔 k 个元素进行采样。 k 取值范围为[1, L]。默认值:
1
。group (int) - 将过滤器拆分为组, in_channels 和 out_channels 必须可被 group 整除。当 group 大于1时,暂不支持Ascend平台。默认值:
1
。has_bias (bool) - Conv1dTranspose层是否添加偏置参数。默认值:
False
。weight_init (Union[Tensor, str, Initializer, numbers.Number]) - 权重参数的初始化方法。它可以是Tensor,str,Initializer或numbers.Number。当使用str时,可选
"TruncatedNormal"
,"Normal"
,"Uniform"
,"HeUniform"
和"XavierUniform"
分布以及常量"One"
和"Zero"
分布的值,可接受别名"xavier_uniform"
,"he_uniform"
,"ones"
和"zeros"
。上述字符串大小写均可。更多细节请参考Initializer的值。默认值:None
,权重使用HeUniform初始化。bias_init (Union[Tensor, str, Initializer, numbers.Number]) - 偏置参数的初始化方法。可以使用的初始化方法与"weight_init"相同。更多细节请参考Initializer的值。默认值:
None
,偏差使用Uniform初始化。dtype (
mindspore.dtype
) - Parameters的dtype。默认值:mstype.float32
。
- 输入:
x (Tensor) - shape为 \((N, C_{in}, L_{in})\) 的Tensor。
- 输出:
Tensor,shape为 \((N, C_{out}, L_{out})\) 。
当 pad_mode 设置为
"same"
时: \(L_{out} = \frac{ L_{in} + \text{stride} - 1 }{ \text{stride} }\)当 pad_mode 设置为
"valid"
时: \(L_{out} = (L_{in} - 1) \times \text{stride} + \text{dilation} \times (\text{kernel_size} - 1) + 1\)当 pad_mode 设置为
"pad"
时: \(L_{out} = (L_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times (\text{kernel_size} - 1) + 1\)
- 异常:
TypeError - in_channels 、 out_channels 、 kernel_size 、 stride 、 padding 或 dilation 不是int。
ValueError - in_channels 、 out_channels 、 kernel_size 、 stride 或 dilation 小于1。
ValueError - padding 小于0。
ValueError - pad_mode 不是
"same"
,"valid"
或"pad"
。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> from mindspore import Tensor, nn >>> import numpy as np >>> net = nn.Conv1dTranspose(3, 64, 4, has_bias=False, weight_init='normal', pad_mode='pad') >>> x = Tensor(np.ones([1, 3, 50]), mindspore.float32) >>> output = net(x).shape >>> print(output) (1, 64, 53)