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：

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

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] 和 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_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。

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

支持平台：

Ascend GPU CPU

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)