ConvTranspose1d

class torch.nn.ConvTranspose1d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros', device=None, dtype=None)

對由數個輸入平面組成的輸入影像套用一維轉置卷積運算。

此模組可以視為 Conv1d 對於其輸入的梯度。它也被稱為部分步幅卷積或反卷積（雖然它不是實際的反卷積運算，因為它不計算卷積的真正逆運算）。如需更多資訊，請參閱這裡的可視化和反卷積網路論文。

此模組支援 TensorFloat32。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組將對向後傳播使用不同的精度。

• stride 控制互相關的步幅。

• padding 控制在兩側的隱式零填充量，填充點數為 dilation * (kernel_size - 1) - padding。 有關詳細資訊，請參閱下面的注意事項。

• output_padding 控制添加到輸出形狀一側的額外大小。有關詳細資訊，請參閱下面的注意事項。

• dilation 控制核心點之間的間距；也稱為 à trous 演算法。 它很難描述，但這裡的連結有一個很好的可視化，可以說明 dilation 的作用。

• groups 控制輸入和輸出之間的連接。 in_channels 和 out_channels 都必須能被 groups 整除。 例如，

  • 在 groups=1 時，所有輸入都捲積到所有輸出。

  • 在 groups=2 時，該運算相當於並排放置兩個卷積層，每個卷積層看到一半的輸入通道並產生一半的輸出通道，然後將它們連接起來。

  • 在 groups= in_channels 時，每個輸入通道都與其自己的一組濾波器（大小為 $\frac{\text{out\_channels}}{\text{in\_channels}}$）進行卷積。

注意

padding 參數有效地將 dilation * (kernel_size - 1) - padding 數量的零填充添加到輸入的兩側。 這樣設定是為了當 Conv1d 和 ConvTranspose1d 使用相同的參數初始化時，它們在輸入和輸出形狀方面是彼此的逆運算。 但是，當 stride > 1 時，Conv1d 會將多個輸入形狀映射到相同的輸出形狀。 提供 output_padding 是為了透過有效地增加一側的計算輸出形狀來解決此不明確性。 請注意，output_padding 僅用於尋找輸出形狀，但實際上不會將零填充添加到輸出。

注意

在某些情況下，當將 CUDA 後端與 CuDNN 搭配使用時，此運算子可能會選擇一種非確定性演算法來提高效能。 如果不希望這樣，您可以嘗試透過設定 torch.backends.cudnn.deterministic = True 使運算具有確定性（可能以效能為代價）。 有關背景資訊，請參閱有關可重現性的注意事項。

參數

• in_channels (int) – 輸入影像中的通道數

• out_channels (int) – 卷積產生的通道數

• kernel_size (int 或 tuple) – 卷積核心的大小

• stride (int 或 tuple, 選填) – 卷積的步幅。預設值：1

• padding (int 或 tuple, 選填) – dilation * (kernel_size - 1) - padding 數量的零填充將會加到輸入的兩側。預設值：0

• output_padding (int 或 tuple, 選填) – 額外加到輸出形狀一側的尺寸。預設值：0

• groups (int, 選填) – 從輸入通道到輸出通道的阻擋連接數量。預設值：1

• bias (bool, 選填) – 若為 True，則將可學習的偏差加到輸出。預設值：True

• dilation (int 或 tuple, 選填) – 核心元素之間的間距。預設值：1

形狀

• 輸入： $(N, C_{in}, L_{in})$ 或 $(C_{in}, L_{in})$

• 輸出：$(N, C_{out}, L_{out})$ 或 $(C_{out}, L_{out})$，其中

  $$L_{out} = (L_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times (\text{kernel\_size} - 1) + \text{output\_padding} + 1$$

變數

• weight ( Tensor ) – 模組的可學習權重，形狀為 $(\text{in\_channels}, \frac{\text{out\_channels}}{\text{groups}},$ $\text{kernel\_size})$。 這些權重的值取樣自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ ，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$

• bias (Tensor) – 模組中可學習的偏置，形狀為 (out_channels)。如果 bias 為 True，則這些權重的值會從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 均勻分佈中取樣，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$