文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.ops.Conv3DTranspose

class mindspore.ops.Conv3DTranspose(in_channel, out_channel, kernel_size, mode=1, stride=1, pad_mode='valid', pad=0, dilation=1, group=1, output_padding=0, data_format='NCDHW')

计算三维转置卷积，也称为反卷积（实际不是真正的反卷积）。

输入的shape通常为 $(N,C,D,H,W)$, 其中 $N$ 为batch size，$C$ 是空间维度，$D$ 、 $H$ 和 $W$ 分别为特征层的深度、高度和宽度。

若 pad_mode 被设定为 "pad"，则输出的深度，高度和宽度被定义为：

$$\begin{array}{r}\begin{array}{c}{D}_{out}=(D_{in}-1)\times \text{stride}[0]-2\times \text{pad}[0]+\text{dilation}[0]\times (\text{kernel\_size}[0]-1)+\text{output\_padding}[0]+1\\ H_{out}=(H_{in}-1)\times \text{stride}[1]-2\times \text{pad}[1]+\text{dilation}[1]\times (\text{kernel\_size}[1]-1)+\text{output\_padding}[1]+1\\ W_{out}=(W_{in}-1)\times \text{stride}[2]-2\times \text{pad}[2]+\text{dilation}[2]\times (\text{kernel\_size}[2]-1)+\text{output\_padding}[2]+1\end{array}\end{array}$$

说明

• 在Ascend平台上，目前只支持 $group=1$ 。

• Atlas A2训练系列产品暂不支持 output_padding 。

参数：

• in_channel (int) - 输入 dout 的通道数。

• out_channel (int) - 输入 weight 的通道数。

• kernel_size (Union[int, tuple[int]]) - 指定三维卷积核的深度、高度和宽度。数据类型为int或包含三个int值的Tuple。为int时表示卷积核的深度、高度和宽度均为该值。包含三个int值的Tuple分别表示卷积核的深度、高度和宽度。

• mode (int，可选) - 指定不同的卷积模式。此值目前未被使用。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： "valid" 。

  • "same"：在输入的深度、高度和宽度维度进行填充，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前方/底部/右侧。如果设置了此模式， pad 必须为0。

  • "valid"：不对输入进行填充，返回输出可能的最大深度、高度和宽度。如果不能构成一个完整stride，那么额外的像素将被丢弃。如果设置了此模式， pad 必须为0。

  • "pad"：对输入填充指定的量。在这种模式下，在输入的深度、高度和宽度方向上填充的量由 pad 参数指定。如果设置此模式， pad 必须大于或等于0。

• pad (Union(int, tuple[int])，可选) - 在输入各维度两侧填充的数量。如果 pad 是一个整数，则前部、后部、顶部，底部，左边和右边的填充都等于 pad 。如果 pad 是6个整数的Tuple，则前部、后部、顶部、底部、左边和右边的填充分别等于填充 pad[0] 、 pad[1] 、 pad[2] 、 pad[3] 、 pad[4] 和 pad[5] 。默认值： 0 。

• stride (Union(int, tuple[int])，可选) - 三维卷积核的移动步长。数据类型为整型或三个整型的Tuple。一个整数表示在深度、高度和宽度方向的移动步长均为该值。三个整数的Tuple分别表示在深度、高度和宽度方向的移动步长。默认值： 1 。

• dilation (Union(int, tuple[int])，可选) - 卷积核膨胀尺寸，指定应用卷积核的间隔。默认值： 1 。

• group (int，可选) - 将过滤器拆分的组数， in_channels 和 out_channels 必须可被 group 整除。默认值： 1 。

• output_padding (Union(int, tuple[int])，可选) - 为输出的各个维度添加额外长度。默认值： 0 。

• data_format (str，可选) - 支持的数据模式。目前仅支持 "NCDHW" 。默认值： "NCDHW" 。

输入：

• dout (Tensor) - 卷积操作的输出的梯度Tensor。shape： $(N,C_{in},D_{out},H_{out},W_{out})$ 。 支持数据类型：

  • Ascend: float16。

  • GPU/CPU: float16、float32。

• weight (Tensor) - 若kernel shape为 $(K_d,K_h,K_w)$ ，则weight shape应为 $(C_{in},C_{out}//group,K_d,K_h,K_w)$ ，其中 $group$ 为算子参数。$//$ 为整数除法操作。其数据类型与 dout 一致。

• bias (Tensor) - shape为 $C_{out}$ 的Tensor。目前仅支持 None 。默认值： None 。

输出：

卷积操作的输入的梯度Tensor，shape： $(N,C_{out}//group,D_{out},H_{out},W_{out})$ ，其中 $group$ 为算子参数。

异常：

• TypeError - in_channel 、 out_channel 或 group 不是int。

• TypeError - kernel_size 、 stride 、 pad 、 dilation 或 output_padding 既不是int也不是Tuple。

• ValueError - in_channel 、 out_channel 、 kernel_size 、 stride 或 dilation 小于1。

• ValueError - pad 小于0。

• ValueError - pad_mode 取值非"same"、"valid"或"pad"。

• ValueError - pad 为长度不等于6的Tuple。

• ValueError - pad_mode 未设定为"pad"且 pad 不等于(0, 0, 0, 0, 0, 0)。

• ValueError - data_format 取值非"NCDHW"。

• TypeError - dout 或 weight 的数据类型不是float16也不是float32。

• ValueError - bias 不为None。 dout 或 weight 的秩不为5。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> dout = Tensor(np.ones([32, 16, 10, 32, 32]), mindspore.float16)
>>> weight = Tensor(np.ones([16, 3, 4, 6, 2]), mindspore.float16)
>>> conv3d_transpose = ops.Conv3DTranspose(in_channel=16, out_channel=3, kernel_size=(4, 6, 2))
>>> output = conv3d_transpose(dout, weight)
>>> print(output.shape)
(32, 3, 13, 37, 33)