Conv2DTranspose

class paddle.fluid.dygraph.Conv2DTranspose ( num_channels, num_filters, filter_size, output_size\=None, padding\=0, stride\=1, dilation\=1, groups\=None, param_attr\=None, bias_attr\=None, use_cudnn\=True, act\=None, dtype\=’float32’ ) [源代码]

该接口用于构建 Conv2DTranspose 类的一个可调用对象，具体用法参照 代码示例 。其将在神经网络中构建一个二维卷积转置层（Convlution2D Transpose Layer），其根据输入（input）、滤波器参数（num_filters、filter_size）、步长（stride）、填充（padding）、膨胀系数（dilation）、组数（groups）来计算得到输出特征图。输入和输出是 NCHW 格式，N是批数据大小，C是特征图个数，H是特征图高度，W是特征图宽度。滤波器的维度是 [M, C, H, W] ，M是输入特征图个数，C是输出特征图个数，H是滤波器高度，W是滤波器宽度。如果组数大于1，C等于输入特征图个数除以组数的结果。如果提供了偏移属性和激活函数类型，卷积的结果会和偏移相加，激活函数会作用在最终结果上。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）。详情请参考： Conv2DTranspose 。

输入 X 和输出 Out 的函数关系如下：

Conv2DTranspose - 图1

其中：

  • Conv2DTranspose - 图2

    ：输入特征图， NCHW 格式的 Tensor

  • Conv2DTranspose - 图3

    ：滤波器，维度为 [M, C, H, W] 的 Tensor

  • Conv2DTranspose - 图4

    ：卷积操作

  • Conv2DTranspose - 图5

    ：偏移值，2-D Tensor ，维度为 [M,1]

  • Conv2DTranspose - 图6

    ：激活函数

  • OutOut ：输出值， Out 和 X 的维度可能不同

输出维度计算示例

  • 输入：

    输入维度： (N,Cin,Hin,Win)(N,Cin,Hin,Win)

    滤波器维度： (Cin,Cout,Hf,Wf)(Cin,Cout,Hf,Wf)

  • 输出：

    输出维度： (N,Cout,Hout,Wout)(N,Cout,Hout,Wout)

  • 其中

H′out\=(Hin−1)∗strides[0]−2∗paddings[0]+dilations[0]∗(Hf−1)+1W′out\=(Win−1)∗strides[1]−2∗paddings[1]+dilations[1]∗(Wf−1)+1Hout∈[H′out,H′out+strides[0])Wout∈[W′out,W′out+strides[1])Hout′\=(Hin−1)∗strides[0]−2∗paddings[0]+dilations[0]∗(Hf−1)+1Wout′\=(Win−1)∗strides[1]−2∗paddings[1]+dilations[1]∗(Wf−1)+1Hout∈[Hout′,Hout′+strides[0])Wout∈[Wout′,Wout′+strides[1])

参数：

  • num_channels (int) - 输入图像的通道数。

  • num_filters (int) - 滤波器的个数，和输出特征图个数相同。

  • filter_size (int|tuple) - 滤波器大小。如果 filter_size 是一个元组，则必须包含两个整型数，分别表示滤波器高度和宽度。否则，表示滤波器高度和宽度均为 filter_size 。

  • output_size (int|tuple, 可选) - 输出特征图的大小。如果 output_size 是一个元组，则必须包含两个整型数，分别表示特征图高度和宽度。如果 output_size 是整型，表示特征图高度和宽度均为 output_size 。如果 output_size 为None，则会根据 filter_size 、 padding 和 stride 来计算 output_size 。如果 output_size 和 filter_size 同时指定，那么它们应满足上面的公式。默认值：None。

  • padding (int|tuple, 可选) - 填充大小。如果 padding 为元组，则必须包含两个整型数，分别表示竖直和水平边界填充大小。否则，表示竖直和水平边界填充大小均为 padding 。默认值：0。

  • stride (int|tuple, 可选) - 步长大小。如果 stride 为元组，则必须包含两个整型数，分别表示垂直和水平滑动步长。否则，表示垂直和水平滑动步长均为 stride 。默认值：1。

  • dilation (int|tuple, 可选) - 膨胀系数大小。如果 dialation 为元组，则必须包含两个整型数，分别表示垂直和水平膨胀系数。否则，表示垂直和水平膨胀系数均为 dialation 。默认值：1。

  • groups (int, 可选) - 二维卷积层的组数。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，滤波器的前一半仅和输入特征图的前一半连接。滤波器的后一半仅和输入特征图的后一半连接。默认值：1。

  • param_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 。

  • use_cudnn (bool, 可选) - 是否使用cudnn内核，只有已安装cudnn库时才有效。默认值:True。

  • act (str, 可选) - 应用于输出上的激活函数，如tanh、softmax、sigmoid，relu等，支持列表请参考 激活函数 ，默认值：None。

  • dtype (str, 可选) - 数据类型，可以为”float32”或”float64”。默认值：”float32”。

返回：无

代码示例

  1. import paddle.fluid as fluid
  2. import numpy as np
  4. with fluid.dygraph.guard():
  5.     data = np.random.random((3, 32, 32, 5)).astype('float32')
  6.     conv2DTranspose = fluid.dygraph.nn.Conv2DTranspose(
  7.           num_channels=32, num_filters=2, filter_size=3)
  8.     ret = conv2DTranspose(fluid.dygraph.base.to_variable(data))

属性

weight

本层的可学习参数，类型为 Parameter

bias

本层的可学习偏置，类型为 Parameter