Conv2DTranspose

class paddle.nn.Conv2DTranspose ( 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\=’NCHW’ ) [源代码]

二维转置卷积层（Convlution2d 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）来计算输出特征层大小或者通过output_size指定输出特征层大小。输入(Input)和输出(Output)为NCHW或NHWC格式，其中N为批尺寸，C为通道数（channel），H为特征层高度，W为特征层宽度。卷积核是MCHW格式，M是输出图像通道数，C是输入图像通道数，H是卷积核高度，W是卷积核宽度。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

和输出

函数关系如下：

其中：

• 

  : 输入，具有NCHW或NHWC格式的4-D Tensor

• 

  : 卷积核，具有NCHW格式的4-D Tensor

• 

  : 卷积计算（注意：转置卷积本质上的计算还是卷积）

• 

  : 偏置（bias），2-D Tensor，形状为 [M,1]

• 

  : 激活函数

• 

  : 输出值，NCHW或NHWC格式的4-D Tensor， 和 X 的形状可能不同

注意：

如果output_size为None，则

\=

,

\=

;否则，指定的output_size_height（输出特征层的高） HoutHout 应当介于 H′outHout′ 和 H′out+strides[0]Hout′+strides[0] 之间（不包含 H′out+strides[0]Hout′+strides[0] ）, 并且指定的output_size_width（输出特征层的宽） WoutWout 应当介于 W′outWout′ 和 W′out+strides[1]Wout′+strides[1] 之间（不包含 W′out+strides[1]Wout′+strides[1] ）。

由于转置卷积可以当成是卷积的反向计算，而根据卷积的输入输出计算公式来说，不同大小的输入特征层可能对应着相同大小的输出特征层，所以对应到转置卷积来说，固定大小的输入特征层对应的输出特征层大小并不唯一。

如果指定了output_size， conv2d_transpose 可以自动计算卷积核的大小。

参数:

• in_channels (int) - 输入图像的通道数。

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

• kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含两个整数的元组或列表，分别表示卷积核的高和宽。如果为单个整数，表示卷积核的高和宽都等于该整数。

• stride (int|tuple, 可选) - 步长大小。如果 stride 为元组或列表，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。

• padding (int|tuple, 可选) - 填充大小。如果 padding 为元组或列表，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 。如果它是一个字符串，可以是”VALID”或者”SAME”，表示填充算法，计算细节可参考下方形状 padding = “SAME”或 padding = “VALID” 时的计算公式。默认值：0。

• output_padding (int|list|tuple, optional): 输出形状上一侧额外添加的大小. 默认值: 0.

• 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，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两个整数的元组或列表，分别表示卷积核中的元素沿着高和宽的空洞。如果为单个整数，表示高和宽的空洞都等于该整数。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”NCHW”和”NHWC”。N是批尺寸，C是通道数，H是特征高度，W是特征宽度。默认值：”NCHW”。

形状:

• 输入：（N，Cin，Hin，Win）（N，Cin，Hin，Win）

• 输出：（N，Cout,Hout,Wout）（N，Cout,Hout,Wout）

其中

H′out\=(Hin−1)∗strides[0]−pad_height_top−pad_height_bottom+dilations[0]∗(kernel_size[0]−1)+1W′out\=(Win−1)∗strides[1]−pad_width_left−pad_width_right+dilations[1]∗(kernel_size[1]−1)+1Hout∈[H′out,H′out+strides[0])Wout∈[W′out,W′out+strides[1])Hout′\=(Hin−1)∗strides[0]−pad_height_top−pad_height_bottom+dilations[0]∗(kernel_size[0]−1)+1Wout′\=(Win−1)∗strides[1]−pad_width_left−pad_width_right+dilations[1]∗(kernel_size[1]−1)+1Hout∈[Hout′,Hout′+strides[0])Wout∈[Wout′,Wout′+strides[1])

如果 padding = “SAME”:

H′out\=(Hin+stride[0]−1)stride[0]W′out\=(Win+stride[1]−1)stride[1]Hout′\=(Hin+stride[0]−1)stride[0]Wout′\=(Win+stride[1]−1)stride[1]

如果 padding = “VALID”:

H′out\=(Hin−1)∗strides[0]+dilations[0]∗(kernel_size[0]−1)+1W′out\=(Win−1)∗strides[1]+dilations[1]∗(kernel_size[1]−1)+1Hout′\=(Hin−1)∗strides[0]+dilations[0]∗(kernel_size[0]−1)+1Wout′\=(Win−1)∗strides[1]+dilations[1]∗(kernel_size[1]−1)+1

抛出异常:

• ValueError : 如果输入的shape、filter_size、stride、padding和groups不匹配，抛出ValueError

• ValueError - 如果 data_format 既不是”NCHW”也不是”NHWC”。

• ValueError - 如果 padding 是字符串，既不是”SAME”也不是”VALID”。

• ValueError - 如果 padding 含有4个二元组，与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。

• ValueError - 如果 output_size 和 filter_size 同时为None。

• ShapeError - 如果输入不是4-D Tensor。

• ShapeError - 如果输入和卷积核的维度大小不相同。

• ShapeError - 如果输入的维度大小与 stride 之差不是2。

代码示例

import paddle
import paddle.nn as nn
x_var = paddle.uniform((2, 4, 8, 8), dtype='float32', min=-1., max=1.)
conv = nn.Conv2DTranspose(4, 6, (3, 3))
y_var = conv(x_var)
y_np = y_var.numpy()
print(y_np.shape)
# (2, 6, 10, 10)