mindspore.ops.Conv2DTranspose
- class mindspore.ops.Conv2DTranspose(out_channel, kernel_size, pad_mode='valid', pad=0, pad_list=None, mode=1, stride=1, dilation=1, group=1, data_format='NCHW')[源代码]
计算二维转置卷积,也称为反卷积,实际不是真正的反卷积。因为它不能完全的恢复输入矩阵的数据,但能恢复输入矩阵的形状。
- 参数:
out_channel (int) - 输出的通道数。
kernel_size (Union[int, tuple[int]]) - 卷积核的大小。
pad_mode (str) - 填充的模式。它可以是”valid”、”same”或”pad”。默认值:”valid”。请参考
mindspore.nn.Conv2dTranspose
了解更多 pad_mode 的使用规则。pad (Union[int, tuple[int]]) - 指定要填充的填充值。默认值:0。如果 pad 是整数,则顶部、底部、左侧和右侧的填充都等于 pad 。如果 pad 是四个整数的tuple,则顶部、底部、左侧和右侧的填充分别等于pad[0]、pad[1]、pad[2]和pad[3]。
pad_list (Union[str, None]) - 卷积填充方式,如(顶部、底部、左、右)。默认值:None,表示不使用此参数。
mode (int) - 指定不同的卷积模式。当前未使用该值。默认值:1。
stride (Union[int, tuple[int]]) - 卷积核移动的步长。默认值:1。
dilation (Union[int, tuple[int]]) - 卷积核膨胀尺寸。默认值:1。
group (int) - 将过滤器拆分为组。默认值:1。
data_format (str) - 输入和输出的数据格式。它应该是’NHWC’或’NCHW’,默认值是’NCHW’。
- 输入:
dout (Tensor) - 卷积操作的输出的梯度Tensor。shape: \((N, C_{out}, H_{out}, W_{out})\) 。
weight (Tensor) - 设置卷积核大小为 \((K_1, K_2)\) ,然后shape为 \((C_{out}, C_{in}, K_1, K_2)\) 。
input_size (Tensor) - 输入的shape,shape的格式为 \((N, C_{in}, H_{in}, W_{in})\) 。
- 输出:
Tensor,卷积操作的输入的梯度Tensor。它的shape与输入相同。
- 异常:
TypeError - 如果 kernel_size 、 stride 、 pad 或 diation 既不是int也不是tuple。
TypeError - 如果 out_channel 或 group 不是int。
ValueError - 如果 kernel_size 、 stride 或 dlation 小于1。
ValueError - 如果 pad_mode 不是’same’、’valid’或’pad’。
ValueError - 如果 padding 是长度不等于4的tuple。
ValueError - 如果 pad_mode 不等于’pad’,pad 不等于(0,0,0,0)。
ValueError - 如果 data_format 既不是’NCHW’也不是’NHWC’。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> dout = Tensor(np.ones([10, 32, 30, 30]), mindspore.float32) >>> weight = Tensor(np.ones([32, 32, 3, 3]), mindspore.float32) >>> x = Tensor(np.ones([10, 32, 32, 32])) >>> conv2d_transpose_input = ops.Conv2DTranspose(out_channel=32, kernel_size=3) >>> output = conv2d_transpose_input(dout, weight, ops.shape(x)) >>> print(output.shape) (10, 32, 32, 32)