51 lines
3.8 KiB
ReStructuredText
51 lines
3.8 KiB
ReStructuredText
mindspore.mint.nn.ConvTranspose2d
|
||
=================================
|
||
|
||
.. py:class:: mindspore.mint.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode="zeros", dtype=None)
|
||
|
||
将二维转置卷积运算应用于由多个输入平面组成的输入图像。
|
||
|
||
该模块执行的是二维转置卷积运算。在神经网络的误差反向传播中，它恰好对应于计算Conv2d层对其输入的梯度，被形象地称为分数步长卷积。(注意，它并非卷积的数学逆运算)
|
||
|
||
所有参数中的 `kernel_size`， `stride`， `padding`， `output_padding` 可以为：
|
||
|
||
- 单个整数 -- 此时，该值同时被用于H和W维度
|
||
- 一个由两个整数组成的tuple -- 此时，第一个整数用于H维度，第二个整数用于W维度。
|
||
|
||
.. warning::
|
||
- 这是一个实验性API，后续可能修改或删除。
|
||
- 在输入非连续场景下， `output_padding` 必须小于 `stride` 。
|
||
- 在Atlas训练系列产品上，float32类型输入时，仅支持 `groups` 为1。
|
||
|
||
参数：
|
||
- **in_channels** (int) - 输入图像中的通道数。
|
||
- **out_channels** (int) - 卷积生成的通道数。
|
||
- **kernel_size** (Union[int, tuple(int)]) - 卷积核的大小。
|
||
- **stride** (Union[int, tuple(int)], 可选) - 卷积的步长。默认 ``1``。
|
||
- **padding** (Union[int, tuple(int)], 可选) - :math:`dilation * (kernel\_size - 1) - padding` 零填充将添加到输入中每个维度的两侧。默认 ``0``。
|
||
- **output_padding** (Union[int, tuple(int)], 可选) - 在输出形状中每个维度的一侧增加额外的尺寸。 `output_padding` 的值必须小于 `stride` 或 `dilation`。默认 ``0``。
|
||
- **groups** (int, 可选) - 从输入通道到输出通道的分块数。默认 ``1``。
|
||
- **bias** (bool, 可选) - 如果值为 ``True`` ， 则添加一个可学习的偏置至输出中。默认 ``True``。
|
||
- **dilation** (Union[int, tuple(int)], 可选) - 卷积核元素之间的间距。默认 ``1`` 。
|
||
- **padding_mode** (str, 可选) - 指定填充值的填充模式。目前仅支持 ``"zeros"``。默认 ``"zeros"``。
|
||
- **dtype** (mindspore.dtype, 可选) - 模型参数的类型。默认 ``None``，此时模型参数类型为 ``mstype.float32``。
|
||
|
||
可学习参数：
|
||
- **weight** (Parameter) - 模型的可学习权重，其shape为 :math:`(\text{in_channels}, \frac{\text{out_channels}}{\text{groups}}, \text{kernel_size[0]}, \text{kernel_size[1]})`。
|
||
其值从分布 :math:`\mathcal{U}(-\sqrt{k}, \sqrt{k})` 中采样得到，其中 :math:`k = \frac{groups}{C_\text{out} * \prod_{i=0}^{1}\text{kernel_size}[i]}` 。
|
||
- **bias** (Parameter) - 模型的可学习偏置，其shape为 :math:`(\text{out_channels},)`。
|
||
如果 **bias** 为 ``True``，则其值从分布 :math:`\mathcal{U}(-\sqrt{k}, \sqrt{k})` 中采样得到，其中 :math:`k = \frac{groups}{C_\text{out} * \prod_{i=0}^{1}\text{kernel_size}[i]}`。
|
||
|
||
输入：
|
||
- **input** (Tensor) - Tensor，其shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 或 :math:`(C_{in}, H_{in}, W_{in})`。
|
||
|
||
输出：
|
||
- **output** (Tensor) - :math:`(N, C_{out}, H_{out}, W_{out})` 或 :math:`(C_{out}, H_{out}, W_{out})`，其中：
|
||
|
||
.. math::
|
||
H_{out} = (H_{in} - 1) \times \text{stride}[0] - 2 \times \text{padding}[0] + \text{dilation}[0]
|
||
\times (\text{kernel_size}[0] - 1) + \text{output_padding}[0] + 1
|
||
.. math::
|
||
W_{out} = (W_{in} - 1) \times \text{stride}[1] - 2 \times \text{padding}[1] + \text{dilation}[1]
|
||
\times (\text{kernel_size}[1] - 1) + \text{output_padding}[1] + 1
|