Conv1DTranspose

class paddle.nn. Conv1DTranspose ( in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, dilation=1, weight_attr=None, bias_attr=None, data_format='NCL' ) [源代码]

一维转置卷积层（Convlution1d transpose layer）

该层根据输入（input）、卷积核（kernel）和空洞大小（dilations）、步长（stride）、填充（padding）来计算输出特征大小或者通过output_size指定输出特征层大小。输入(Input)和输出(Output)为NCL或NLC格式，其中N为批尺寸，C为通道数（channel），L为特征长度。卷积核是MCL格式，M是输出图像通道数，C是输入图像通道数，L是卷积核长度。如果组数大于1，C等于输入图像通道数除以组数的结果。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积（但其实并不是真正的反卷积）。欲了解转置卷积层细节，请参考下面的说明和 参考文献 。如果参数bias_attr不为False, 转置卷积计算会添加偏置项。

输入 \(X\) 和输出 \(Out\) 函数关系如下：

\[\begin{split}Out=\sigma (W*X+b)\\\end{split}\]
其中：

  • \(X\) : 输入，具有NCL或NLC格式的3-D Tensor

  • \(W\) : 卷积核，具有NCL格式的3-D Tensor

  • \(*\) : 卷积计算（注意：转置卷积本质上的计算还是卷积）

  • \(b\) : 偏置（bias），2-D Tensor，形状为 [M,1]

  • \(σ\) : 激活函数

  • \(Out\) : 输出值，NCL或NLC格式的3-D Tensor， 和 X 的形状可能不同

参数:

  • in_channels (int) - 输入特征的通道数。

  • out_channels (int) - 卷积核的个数，和输出特征通道数相同。

  • kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核的长度。

  • stride (int|tuple, 可选) - 步长大小。如果 stride 为元组或列表，则必须包含一个整型数，表示滑动步长 。默认值：1。

  • padding (int|list|tuple|str，可选) - 填充大小。可以是以下三种格式：（1）字符串，可以是"VALID"或者"SAME"，表示填充算法，计算细节可参考下述 padding = "SAME"或 padding = "VALID" 时的计算公式。（2）整数，表示在输入特征两侧各填充 padding 大小的0。（3）包含一个整数的列表或元组，表示在输入特征两侧各填充 padding[0] 大小的0. 默认值：0。

  • output_padding (int|list|tuple, optional): 输出特征尾部一侧额外添加的大小. 默认值: 0.

  • groups (int, 可选) - 一维卷积层的组数。根据Alex Krizhevsky的深度卷积神经网络（CNN）论文中的分组卷积：当group=2，卷积核的前一半仅和输入特征图的前一半连接。卷积核的后一半仅和输入特征图的后一半连接。默认值：1。

  • dilation (int|tuple, 可选) - 空洞大小。可以为单个整数或包含一个整数的元组或列表，表示卷积核中的空洞。默认值：1。

  • weight_attr (ParamAttr, 可选) - 指定权重参数属性的对象。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

  • bias_attr (ParamAttr|bool, 可选) - 指定偏置参数属性的对象。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

  • data_format (str，可选) - 指定输入的数据格式，输出的数据格式将与输入保持一致，可以是"NCL"和"NLC"。N是批尺寸，C是通道数，L特征长度。默认值："NCL"。

形状:

  • 输入：\(（N，C_{in}， L_{in}）\)

  • 输出：\(（N，C_{out}， L_{out}）\)

其中

\[\begin{split}& L'_{out} = (L_{in}-1)*stride - 2*padding + dilation*(kernel\_size-1)+1\\ & L_{out}\in[L'_{out},L'_{out} + stride)\end{split}\]

如果 padding = "SAME":

\[L'_{out} = \frac{(L_{in} + stride - 1)}{stride}\]

如果 padding = "VALID":

\[L'_{out} = (L_{in}-1)*stride + dilation*(kernel\_size-1)+1\]

代码示例

import paddle
from paddle.nn import Conv1DTranspose
import numpy as np

# shape: (1, 2, 4)
x=np.array([[[4, 0, 9, 7],
             [8, 0, 9, 2]]]).astype(np.float32)
# shape: (2, 1, 2)
y=np.array([[[7, 0]],
            [[4, 2]]]).astype(np.float32)
x_t = paddle.to_tensor(x)
conv = Conv1DTranspose(2, 1, 2)
conv.weight.set_value(y)
y_t = conv(x_t)
print(y_t)

使用本API的教程文档