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：
AscendGPUCPU
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)