PaddlePaddle

 paddle.fluid / dygraph / Conv2DTranspose


Conv2DTranspose

class paddle.nn. 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:

\[\begin{split}Out=\sigma (W*X+b)\\\end{split}\]
其中:
  • \(X\) :输入特征图, NCHW 格式的 Tensor

  • \(W\) :滤波器,维度为 [M, C, H, W] 的 Tensor

  • \(*\) :卷积操作

  • \(b\) :偏移值,2-D Tensor ,维度为 [M,1]

  • \(\sigma\) :激活函数

  • \(Out\) :输出值, OutX 的维度可能不同

输出维度计算示例

  • 输入:

    输入维度: \((N,C_{in},H_{in},W_{in})\)

    滤波器维度: \((C_{in},C_{out},H_{f},W_{f})\)

  • 输出:

    输出维度: \((N,C_{out},H_{out},W_{out})\)

  • 其中

\[ \begin{align}\begin{aligned}& H'_{out} = (H_{in}-1)*strides[0]-2*paddings[0]+dilations[0]*(H_f-1)+1\\& W'_{out} = (W_{in}-1)*strides[1]-2*paddings[1]+dilations[1]*(W_f-1)+1\\& H_{out}\in[H'_{out},H'_{out} + strides[0])\\& W_{out}\in[W'_{out},W'_{out} + strides[1])\end{aligned}\end{align} \]
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_sizepaddingstride 来计算 output_size 。如果 output_sizefilter_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

import paddle.fluid as fluid
import numpy as np

with fluid.dygraph.guard():
    data = np.random.random((3, 32, 32, 5)).astype('float32')
    conv2DTranspose = fluid.dygraph.nn.Conv2DTranspose(
          num_channels=32, num_filters=2, filter_size=3)
    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


此页内容是否对您有帮助