mindspore.ops.fold

mindspore.ops.fold(input, output_size, kernel_size, dilation=1, padding=0, stride=1)[源代码]

将提取出的滑动局部区域块还原成更大的输出Tensor。

考虑一个batch的输入Tensor，其shape为 \((N, C \times \prod(\text{kernel_size}), L)\) ， 其中 \(N\) 是批次维度，\(C \times \prod(\text{kernel_size})\) 为每个滑块内值的总数量(一个滑块有 \(\prod(\text{kernel_size})\) 个空间位置， 每个位置都包含一个 C 通道的向量)，共有 \(L\) 个这样的滑块：

\[L = \prod_d \left\lfloor\frac{\text{output_size}[d] + 2 \times \text{padding}[d] % - \text{dilations}[d] \times (\text{kernel_size}[d] - 1) - 1}{\text{strides}[d]} + 1\right\rfloor,\]

其中, \(d\) 遍历所有的空间维度。

因此，在最后一个维度(列维度)上 output 包含特定块内的所有值。

dilation， padding 和 stride 决定了滑块如何被取出。

警告

  • 输入是三维Tensor，其shape为 \((N, C \times \prod(\text{kernel_size}), L)\) 。

  • 输出是四维Tensor，其shape为 \((N, C, output\_size[0], output\_size[1], ...)\) 。

参数：

  • input (Tensor) - 三维Tensor，支持的数据类型: float16、float32、float64、complex64和complex128。

  • output_size (Tensor) - 包含两个int元素的一维Tensor。

  • kernel_size (Union[int, tuple[int], list[int]]) - 滑动窗口的大小。如果类型为tuple或者list，则存在两个int元素分别对应kernel的高度与宽度；如果类型为int，则kernel的高度与宽度均为该值。

  • dilation (Union[int, tuple[int], list[int]]，可选) - 窗口的空洞卷积的扩充率。如果类型为tuple或者list，则存在两个int元素分别作用于滑窗的高度和宽度；如果类型为int，则这个值作用于滑窗的高度和宽度。默认值： 1 。

  • padding (Union[int, tuple[int], list[int]]，可选) - 滑窗的隐式零填充量。如果类型为tuple或者list，则存在的两个int元素分别为滑窗的高度和宽度方向的填充量；如果类型为int，则高度和宽度方向的填充量均为这个int值。默认值： 0 。

  • stride (Union[int, tuple[int], list[int]]，可选) - 空间维度上滑动的步长。如果类型为tuple或者list，则存在的两个int元素分别为滑窗的高度和宽度方向上的步长；如果类型为，则高度和宽度方向上的步长均为这个int值。默认值： 1 。

返回：

Tensor，数据类型与 input 相同。

异常：

  • TypeError - 如果 kernel_size 、 stride 、 dilation 、 padding 的数据类型不是int、tuple或者list。

  • ValueError - 如果 kernel_size, dilation, stride 包含元素的值小于等于0或者元素个数大于 2 。

  • ValueError - 如果 padding 包含元素的值小于零或者元素个数大于 2 。

  • ValueError - 如果 input.shape[1] != kernel_size[0] * kernel_size[1] 。

  • ValueError - 如果 input.shape[2] 与计算出的滑块数量不匹配。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> from mindspore import dtype as mstype
>>> x = Tensor(input_data=np.random.rand(16, 64, 25), dtype=mstype.float32)
>>> output_size = Tensor(input_data=[8, 8], dtype=mstype.int32)
>>> output = ops.fold(x, output_size, [2, 2], [2, 2], [2, 2], [2, 2])
>>> print(output.shape)
(16, 16, 8, 8)