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)[源代码]

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""pad" 。默认值: "same"

    • "same":在输入的两端填充,使得当 stride1 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_channelsout_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""XavierUniform" 分布以及常量 "One""Zero" 分布的值,可接受别名 "xavier_uniform""he_uniform""ones""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 \((N, C_{out}, L_{out})\)

  • pad_mode 设置为 "same" 时: \(L_{out} = \frac{ L_{in} + \text{stride} - 1 }{ \text{stride} }\)

  • pad_mode 设置为 "valid" 时: \(L_{out} = (L_{in} - 1) \times \text{stride} + \text{dilation} \times (\text{kernel_size} - 1) + 1\)

  • 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_channelsout_channelskernel_sizestridepaddingdilation 不是int。

  • ValueError - in_channelsout_channelskernel_sizestridedilation 小于1。

  • ValueError - padding 小于0。

  • ValueError - pad_mode 不是 "same""valid""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)