ConvTranspose2d

class torch.nn.ConvTranspose2d(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)

對由多個輸入平面組成的輸入圖像應用 2D 轉置卷積運算子。

這個模組可以被視為 Conv2d 對其輸入的梯度。它也被稱為fractionally-strided convolution或反卷積（deconvolution）（儘管它不是一個真正的反卷積運算，因為它沒有計算卷積的真反）。更多資訊，請參閱這裡的可視化以及Deconvolutional Networks論文。

此模組支援 TensorFloat32。

在某些 ROCm 設備上，當使用 float16 輸入時，此模組將使用不同的精度進行向後傳播。

• stride 控制互相關的步幅。

• padding 控制兩側隱式零填充的數量，數量為 dilation * (kernel_size - 1) - padding 個點。 有關詳細資訊，請參閱下面的註釋。

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

• dilation 控制內核點之間的間距； 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 dilation 作用的可視化。

• 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，所有輸入都與所有輸出進行卷積。

  • 在 groups=2 時，該操作相當於並排放置兩個 conv 層，每個層看到一半的輸入通道並產生一半的輸出通道，然後將兩者連接起來。

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

參數 kernel_size、stride、padding、output_padding 可以是：

• 單個 int – 在這種情況下，相同的值用於高度和寬度尺寸

• 兩個 int 的 tuple – 在這種情況下，第一個 int 用於高度尺寸，第二個 int 用於寬度尺寸

注意

注意

參數

形狀

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

輸出高度 $H_{out}$ 等於 (輸入高度 $H_{in}$ 減 1) 乘以 stride[0] 減 2 乘以 padding[0] 加上 dilation[0] 乘以 (kernel_size[0] 減 1) 加上 output_padding[0] 加 1。

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

變數

• weight (Tensor) – 模組的可學習權重，形狀為 $(\text{in\_channels}, \frac{\text{out\_channels}}{\text{groups}},$ $\text{kernel\_size[0]}, \text{kernel\_size[1]})$。 這些權重的值是從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中抽樣而來，其中 $k = \frac{groups}{C_\text{out} * \prod_{i=0}^{1}\text{kernel\_size}[i]}$

• bias (Tensor) – 模組的可學習偏差，形狀為 (out_channels)。如果 bias 為 True，則這些權重的值會從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 採樣，其中 $k = \frac{groups}{C_\text{out} * \prod_{i=0}^{1}\text{kernel\_size}[i]}$

範例

>>> # With square kernels and equal stride
>>> m = nn.ConvTranspose2d(16, 33, 3, stride=2)
>>> # non-square kernels and unequal stride and with padding
>>> m = nn.ConvTranspose2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))
>>> input = torch.randn(20, 16, 50, 100)
>>> output = m(input)
>>> # exact output size can be also specified as an argument
>>> input = torch.randn(1, 16, 12, 12)
>>> downsample = nn.Conv2d(16, 16, 3, stride=2, padding=1)
>>> upsample = nn.ConvTranspose2d(16, 16, 3, stride=2, padding=1)
>>> h = downsample(input)
>>> h.size()
torch.Size([1, 16, 6, 6])
>>> output = upsample(h, output_size=input.size())
>>> output.size()
torch.Size([1, 16, 12, 12])