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=None, bias_init=None, dtype=mstype.float32)

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， \(C_{in}\) 是通道数， \(L_{in}\) 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，可选) - 指定填充模式，填充值为0。可选值为 "same" ， "valid" 或 "pad" 。默认值： "same" 。

  • "same"：在输入的两端填充，使得当 stride 为 1 时，输入和输出的shape一致。待填充的量由算子内部计算，若为偶数，则均匀地填充在四周，若为奇数，多余的填充量将补充在右端。如果设置了此模式， padding 必须为0。

  • "valid"：不对输入进行填充，返回输出可能的最大长度，不能构成一个完整stride的额外的像素将被丢弃。如果设置了此模式， padding 必须为0。

  • "pad"：对输入填充指定的量。在这种模式下，填充的量由 padding 参数指定。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： None ，权重使用HeUniform初始化。

• 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： None ，偏差使用Uniform初始化。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

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：

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