conv1d_transpose

paddle.nn.functional.conv1d_transpose ( x, weight, bias\=None, stride\=1, padding\=0, output_padding\=0, groups\=1, dilation\=1, output_size\=None, data_format\=’NCL’, name\=None ) [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NCL或NLC格式，其中N为批尺寸，C为通道数（channel），L为特征层长度。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。如果act不为None，则转置卷积计算之后添加相应的激活函数。

输入

conv1d_transpose - 图1

和输出

conv1d_transpose - 图2

函数关系如下：

conv1d_transpose - 图3

其中：

  • conv1d_transpose - 图4

    : 输入，具有NCL或NLC格式的3-D Tensor

  • conv1d_transpose - 图5

    : 卷积核，具有NCL格式的3-D Tensor

  • conv1d_transpose - 图6

    : 卷积计算（注意：转置卷积本质上的计算还是卷积）

  • conv1d_transpose - 图7

    : 偏置（bias），2-D Tensor，形状为 [M,1]

  • conv1d_transpose - 图8

    : 激活函数

  • conv1d_transpose - 图9

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

示例

  • 输入：

    输入Tensor的形状：

    conv1d_transpose - 图10

    卷积核的形状 ：

    conv1d_transpose - 图11

  • 输出：

    输出Tensor的形状 ：

    conv1d_transpose - 图12

其中

conv1d_transpose - 图13

如果 padding = “SAME”:

L′out\=(Lin+stride−1)strideLout′\=(Lin+stride−1)stride

如果 padding = “VALID”:

L′out\=(Lin−1)∗stride+dilation∗(Lf−1)+1Lout′\=(Lin−1)∗stride+dilation∗(Lf−1)+1

注意：

如果output_size为None，则 LoutLout = L′outLout′ ;否则，指定的output_size（输出特征层的长度） LoutLout 应当介于 L′outLout′ 和 L′out+strideLout′+stride 之间（不包含 L′out+strideLout′+stride ）。

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， conv1d_transpose 可以自动计算卷积核的大小。

参数:

  • x (Tensor) - 输入是形状为 [N,C,L][N,C,L] 或 [N,L,C][N,L,C] 的3-D Tensor，N是批尺寸，C是通道数，L是特征长度，数据类型为float16, float32或float64。

  • weight (Tensor) - 形状为 [C,M/g,kL][C,M/g,kL] 的卷积核（卷积核）。 M是输出通道数， g是分组的个数，kL是卷积核的长度。

  • bias (int|list|tuple，可选) - 偏置项，形状为： [M,][M,] 。

  • stride (int|list|tuple，可选) - 步长大小。整数或包含一个整数的列表或元组。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): 输出形状上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）论文中的成组卷积：当group=n，输入和卷积核分别根据通道数量平均分为n组，第一组卷积核和第一组输入进行卷积计算，第二组卷积核和第二组输入进行卷积计算，……，第n组卷积核和第n组输入进行卷积计算。默认值：1。

  • dilation (int|list|tuple，可选) - 空洞大小。空洞卷积时会使用该参数，卷积核对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息。整数或包含一个整数的列表或元组。默认值：1。

  • output_size (int|list|tuple，可选) - 输出特征的长度，整数或包含一个整数的列表或元组。如果为 None , 则会用 filter_size, padding 和 stride 计算出输出特征的长度。如果 output_size 和 filter_size 同时被指定，则会遵循上述公式进行计算。output_size 和 filter_size 不能同时被设置为 None 。默认值：None。

  • 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是特征长度。默认值：”NCL”。

  • name (str，可选) – 具体用法请参见 cn_api_guide_Name ，一般无需设置，默认值：None。

返回：3-D Tensor，数据类型与 input 一致。如果未指定激活层，则返回转置卷积计算的结果，如果指定激活层，则返回转置卷积和激活计算之后的最终结果。

代码示例

  1. import paddle
  2. import paddle.nn.functional as F
  3. import numpy as np
  5. # shape: (1, 2, 4)
  6. x=np.array([[[4, 0, 9, 7],
  7.              [8, 0, 9, 2,]]]).astype(np.float32)
  8. # shape: (2, 1, 2)
  9. w=np.array([[[7, 0]],
  10.             [[4, 2]]]).astype(np.float32)
  11. x_var = paddle.to_tensor(x)
  12. w_var = paddle.to_tensor(w)
  13. y_var = F.conv1d_transpose(x_var, w_var)
  14. print(y_var)
  16. # [[[60. 16. 99. 75.  4.]]]