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')[源代码]

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,\(D\)\(H\)\(W\) 分别为特征层的深度、高度和宽度。

pad_mode 被设定为 “pad”,则输出的深度,高度和宽度被定义为:

\[ \begin{align}\begin{aligned}D_{out} = (D_{in} - 1) \times \text{stride}[0] - 2 \times \text{pad}[0] + \text{dilation}[0] \times (\text{kernel_size}[0] - 1) + \text{output_padding}[0] + 1\\H_{out} = (H_{in} - 1) \times \text{stride}[1] - 2 \times \text{pad}[1] + \text{dilation}[1] \times (\text{kernel_size}[1] - 1) + \text{output_padding}[1] + 1\\W_{out} = (W_{in} - 1) \times \text{stride}[2] - 2 \times \text{pad}[2] + \text{dilation}[2] \times (\text{kernel_size}[2] - 1) + \text{output_padding}[2] + 1\end{aligned}\end{align} \]

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) - 指定不同的卷积模式。此值目前未被使用。默认值: 1。

  • pad_mode (str) - 指定填充模式。可选值为”same”、”valid”、”pad”。默认值: “valid”。

    • same: 填充输入。输出的深度、高度和宽度分别与对应输入整除 stride 后的值相同。 同一维度的padding将被尽可能均匀填充在两侧,额外的padding将被填充在维度末端。 若设置该模式,pad 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 pad 的值必须为0。

    • pad: 在输入深度、高度和宽度各维度两侧添加 pad 数量的填充。如果设置此模式, pad 的值必须大于或等于0。

  • pad (Union(int, tuple[int])) - 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]pad[5] 。默认值:0。

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

  • group (int) - 将过滤器拆分为组。默认值: 1。目前仅支持取值1。

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

  • data_format (str) - 支持的数据模式。目前仅支持”NCDHW”。

输入:

  • dout (Tensor) - 卷积操作的输出的梯度Tensor。shape: \((N, C_{in}, D_{out}, H_{out}, W_{out})\) 。目前数据类型仅支持float16和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。目前数据类型仅支持float16和float32。

  • 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_channelout_channelgroup 不是int。

  • TypeError - kernel_sizestridepaddilationoutput_padding 既不是int也不是Tuple。

  • ValueError - in_channelout_channelkernel_sizestridedilation 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 - doutweight 的数据类型不是float16。

  • ValueError - bias 不为None。 doutweight 的秩不为5。

支持平台:

Ascend GPU

样例:

>>> 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)