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='normal', bias_init='zeros')[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， \(C_{in}\) 是空间维度， \(L_{in}\) 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) - 指定填充模式。可选值为”same”、”valid”、”pad”。默认值：”same”。

    • same：输出的宽度与输入整除 stride 后的值相同。若设置该模式， padding 的值必须为0。

    • valid：在不填充的前提下返回有效计算所得的输出。不满足计算的多余像素会被丢弃。如果设置此模式，则 padding 的值必须为0。

    • pad：对输入进行填充。在输入对两侧填充 padding 大小的0。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：”normal”。

  • 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：”zeros”。

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：

>>> 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)