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：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> 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)