forked from huawei/mindspore2022
69 lines
4.4 KiB
Plaintext
69 lines
4.4 KiB
Plaintext
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='normal', bias_init='zeros')
|
||
|
||
一维转置卷积层。
|
||
|
||
计算一维转置卷积，也称为反卷积（实际不是真正的反卷积）。
|
||
|
||
该算子可以看成Conv1d相对于其输入的梯度。
|
||
|
||
`x`的shape通常是:math:`(N, C, W)`，其中:math:`N`是batch size，:math:`C`是通道数，:math:`W`是特征长度。
|
||
|
||
对输入填充:math:`dilation * (kernel\_size - 1) - padding`个零。
|
||
因此，当Conv1d和ConvTranspose1d使用相同的参数初始化时，它们的输入和输出shape是互逆的。
|
||
但是，当stride>1时，Conv1d将多个输入的shape映射到同一个输出shape。
|
||
|
||
|
||
输出宽度定义如下：
|
||
|
||
.. math::
|
||
|
||
W_{out} = \begin{cases}
|
||
(W_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times
|
||
(\text{ks_w} - 1) + 1, & \text{if pad_mode='pad'}\\
|
||
(W_{in} + \text{stride} - 1)/\text{stride}, & \text{if pad_mode='same'}\\
|
||
(W_{in} - 1) \times \text{stride} + \text{dilation} \times
|
||
(\text{ks_w} - 1) + 1, & \text{if pad_mode='valid'}
|
||
\end{cases}
|
||
|
||
其中:math:`\text{ks_w}`是卷积核的宽度。
|
||
|
||
参数：
|
||
in_channels (int)：输入的通道数。
|
||
out_channels (int)：输出的通道数。
|
||
kernel_size (int)：指定一维卷积窗口的宽度。
|
||
stride (int)：步长大小，表示移到宽度。默认值：1。
|
||
pad_mode (str)：选择填充模式。可选值为"pad"，"same"，"valid"。默认值："same"。
|
||
|
||
- same：采用补全方式。输出的宽度与输入 `x` 一致。填充总数将在水平上进行计算。并尽可能均匀分布到左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的宽度的输出。多余的像素会被丢弃。如果设置此模式，则`padding`必须为0。
|
||
- pad：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||
|
||
padding (int)：输入`x`两侧的隐式填充。默认值：0。
|
||
dilation (int)：指定用于扩张卷积的扩张速率。如果设置为:math:`k > 1`，则每个采样位置都跳过:math:`k - 1`个像素。其值必须大于或等于1，并以输入`x`的宽度为界。默认值：1。
|
||
group (int)：将过滤器拆分为组，`in_ channels`和`out_channels`必须可被组数整除。当组数>1时，不支持Davinci设备。默认值：1。
|
||
has_bias (bool)：指定图层是否使用偏置矢量。默认值：False。
|
||
weight_init： (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或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：“normal”。
|
||
bias_init： (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||
|
||
输入：
|
||
- **x** (Tensor)：shape为:math:`(N, C_{in}, W_{in})`的Tensor。
|
||
|
||
输出：
|
||
Tensor，shape为:math:`(N, C_{out}, W_{out})`。
|
||
|
||
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``
|
||
|
||
示例：
|
||
>>> 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)
|
||
|