mindspore.nn.Conv2dTranspose
- class mindspore.nn.Conv2dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, output_padding=0, dilation=1, group=1, has_bias=False, weight_init=None, bias_init=None, dtype=mstype.float32)[源代码]
计算二维转置卷积,可以视为Conv2d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通常为 \((N, C_{in}, H_{in}, W_{in})\) ,其中 \(N\) 是batch size,\(C_{in}\) 是空间维度, \(H_{in}, W_{in}\) 分别为特征层的高度和宽度。 当Conv2d和ConvTranspose2d使用相同的参数初始化时,且 pad_mode 设置为"pad",它们会在输入的高度和宽度方向上填充 \(dilation * (kernel\_size - 1) - padding\) 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,Conv2d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) - Conv2dTranspose层输入Tensor的空间维度。
out_channels (int) - Conv2dTranspose层输出Tensor的空间维度。
kernel_size (Union[int, tuple[int]]) - 指定二维卷积核的高度和宽度。数据类型为整型或两个整型的tuple。一个整数表示卷积核的高度和宽度均为该值。两个整数的tuple分别表示卷积核的高度和宽度。
stride (Union[int, tuple[int]]) - 二维卷积核的移动步长。数据类型为整型或两个整型的tuple。一个整数表示在高度和宽度方向的移动步长均为该值。两个整数的tuple分别表示在高度和宽度方向的移动步长。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"
:在输入的四周填充,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底部/右侧。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高度和宽度,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,在输入的高度和宽度方向上填充的量由 padding 参数指定。如果设置此模式, padding 必须大于或等于0。
padding (Union[int, tuple[int]]) - 输入的高度和宽度方向上填充的数量。数据类型为整型或包含四个整数的tuple。如果 padding 是一个整数,那么上、下、左、右的填充都等于 padding 。如果 padding 是一个有四个整数的tuple,那么上、下、左、右的填充分别等于 padding[0] 、 padding[1] 、 padding[2] 和 padding[3] 。值应该要大于等于0,默认值:
0
。output_padding (Union[int, tuple[int]]) - 输出的高度和宽度方向上填充的数量。数据类型为整型或包含两个整数的tuple。如果 output_padding 是一个整数,那么下、右的填充都等于 output_padding 。如果 output_padding 是一个有两个整数的tuple,那么下、右的填充分别等于 output_padding[0] 、 output_padding[1] 。如果 output_padding 不为0, pad_mode 必须为 pad 。 output_padding 取值范围为 [0, max(stride, dilation)) ,默认值:
0
。dilation (Union[int, tuple[int]]) - 二维卷积核膨胀尺寸。可以为单个int,或者由两个int组成的tuple。单个int表示在高度和宽度方向的膨胀尺寸均为该值。两个int组成的tuple分别表示在高度和宽度方向的膨胀尺寸。 假设 \(dilation=(d0, d1)\),则卷积核在高度方向间隔 \(d0-1\) 个元素进行采样,在宽度方向间隔 \(d1-1\) 个元素进行采样。高度和宽度上取值范围分别为[1, H]和[1, W]。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。如果组数等于 in_channels 和 out_channels ,这个二维卷积层也被称为二维深度卷积层。默认值:
1
.has_bias (bool) - Conv2dTranspose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 \((N, C_{in}, H_{in}, W_{in})\) 的Tensor。
- 输出:
Tensor,shape为 \((N, C_{out}, H_{out}, W_{out})\) 。
pad_mode为
"same"
时:\[\begin{split}\begin{array}{ll} \\ H_{out} = \text H_{in}\times \text {stride[0]} \\ W_{out} = \text W_{in}\times \text {stride[1]} \\ \end{array}\end{split}\]pad_mode为
"valid"
时:\[\begin{split}\begin{array}{ll} \\ H_{out} = \text H_{in}\times \text {stride[0]} + \max\{(\text{dilation[0]} - 1) \times (\text{kernel_size[0]} - 1) - \text {stride[0]}, 0 \} \\ W_{out} = \text W_{in}\times \text {stride[1]} + \max\{(\text{dilation[1]} - 1) \times (\text{kernel_size[1]} - 1) - \text {stride[1]}, 0 \} \\ \end{array}\end{split}\]pad_mode为
"pad"
时:\[\begin{split}\begin{array}{ll} \\ H_{out} = \text H_{in}\times \text {stride[0]} - (padding[0] + padding[1]) + \text{kernel_size[0]} + (\text{dilation[0]} - 1) \times (\text{kernel_size[0]} - 1) - \text {stride[0]} + \text {output_padding[0]} \\ W_{out} = \text W_{in}\times \text {stride[1]} - (padding[2] + padding[3]) + \text{kernel_size[1]} + (\text{dilation[1]} - 1) \times (\text{kernel_size[1]} - 1) - \text {stride[1]} + \text {output_padding[1]} \\ \end{array}\end{split}\]- 异常:
TypeError - 如果 in_channels ,out_channels 或者 group 不是整数。
TypeError - 如果 kernel_size ,stride ,padding 或者 dilation 既不是整数也不是tuple。
ValueError - 如果 in_channels ,out_channels , kernel_size , stride 或者 dilation 小于1。
ValueError - 如果 padding 小于0。
ValueError - 如果 pad_mode 不是
"same"
,"valid"
或"pad"
。ValueError - 如果 padding 是一个长度不等于4的tuple。
ValueError - 如果 pad_mode 不等于"pad"且 padding 不等于(0,0,0,0)。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> import mindspore >>> from mindspore import Tensor, nn >>> import numpy as np >>> net = nn.Conv2dTranspose(3, 64, 4, has_bias=False, weight_init='normal', pad_mode='pad') >>> x = Tensor(np.ones([1, 3, 16, 50]), mindspore.float32) >>> output = net(x).shape >>> print(output) (1, 64, 19, 53)