Conv3DTranspose¶

class paddle.nn. Conv3DTranspose ( 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, name=None, dtype='float32' ) [源代码] ¶

该接口用于构建 Conv3DTranspose 类的一个可调用对象，具体用法参照 代码示例 。3D卷积转置层（Convlution3D transpose layer)根据输入（input）、滤波器（filter）和卷积核膨胀（dilations）、步长（stride）、填充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NCDHW格式。其中 N 为batch大小， C 为通道数（channel）, D 为特征深度, H 为特征高度， W 为特征宽度。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）。欲了解卷积转置层细节，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 \(X\) 和输出 \(Out\) 函数关系如下：

其中：

• \(X\) : 输入图像，具有NCDHW格式的张量（Tensor）

• \(W\) : 滤波器，具有NCDHW格式的张量（Tensor）

• \(*\) : 卷积操作（注意：转置卷积本质上的计算还是卷积）

• \(b\) : 偏置(bias)，维度为 \([M,1]\) 的2D Tensor

• \(σ\) : 激活函数

• \(Out\) : 输出值， Out 和 X 的 shape可能不一样

样例

输入:

输入Tensor的维度：\([N,C_{in}, D_{in}, H_{in}, W_{in}]\)

滤波器Tensor的维度：\([C_{in}, C_{out}, D_f, H_f, W_f]\)

输出:

输出Tensor的维度：\([N,C_{out}, D_{out}, H_{out}, W_{out}]\)

其中：

注意 :

如果output_size为None，则 \(D_{out}\) = \(D^\prime_{out}\) , \(H_{out}\) = \(H^\prime_{out}\) , \(W_{out}\) = \(W^\prime_{out}\) ;否则，指定的output_size_depth（输出特征层的深度） \(D_{out}\) 应当介于 \(D^\prime_{out}\) 和 \(D^\prime_{out} + strides[0]\) 之间（不包含 \(D^\prime_{out} + strides[0]\) ），指定的output_size_height（输出特征层的高） \(H_{out}\) 应当介于 \(H^\prime_{out}\) 和 \(H^\prime_{out} + strides[1]\) 之间（不包含 \(H^\prime_{out} + strides[1]\) ）, 并且指定的output_size_width（输出特征层的宽） \(W_{out}\) 应当介于 \(W^\prime_{out}\) 和 \(W^\prime_{out} + strides[2]\) 之间（不包含 \(W^\prime_{out} + strides[2]\) ）。

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， 其可以自动计算滤波器的大小。

参数:

• num_channels (int) - 输入图像的通道数。

• num_filters (int) - 滤波器（卷积核）的个数，与输出的图片的通道数相同。

• filter_size (int|tuple) - 滤波器大小。如果filter_size是一个元组，则必须包含三个整型数，（filter_size_depth，filter_size_height, filter_size_width）。否则，filter_size_depth = filter_size_height = filter_size_width = filter_size。如果filter_size=None，则必须指定output_size， 其会根据output_size、padding和stride计算出滤波器大小。

• output_size (int|tuple，可选) - 输出图片的大小。如果 output_size 是一个元组（tuple），则该元形式为（image_H,image_W),这两个值必须为整型。如果未设置,则内部会使用filter_size、padding和stride来计算output_size。如果 output_size 和 filter_size 是同时指定的，那么它们应满足上面的公式。默认值为None。output_size和filter_size不能同时为None。

• padding (int|tuple，可选) - 填充padding大小。padding参数在输入特征层每边添加 dilation * (kernel_size - 1) - padding 个0。如果padding是一个元组，它必须包含三个整数(padding_depth，padding_height，padding_width)。否则，padding_depth = padding_height = padding_width = padding。默认值为0。

• stride (int|tuple，可选) - 步长stride大小。滤波器和输入进行卷积计算时滑动的步长。如果stride是一个元组，那么元组的形式为(stride_depth，stride_height，stride_width)。否则，stride_depth = stride_height = stride_width = stride。默认值为1。

• dilation (int|tuple，可选) - 膨胀比例dilation大小。空洞卷积时会指该参数，滤波器对输入进行卷积时，感受野里每相邻两个特征点之间的空洞信息，根据 可视化效果图 较好理解。如果膨胀比例dilation是一个元组，那么元组的形式为(dilation_depth，dilation_height， dilation_width)。否则，dilation_depth = dilation_height = dilation_width = dilation。默认值为1。

• groups (int，可选) - 三维转置卷积层的组数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发，当group=2时，输入和滤波器分别根据通道数量平均分为两组，第一组滤波器和第一组输入进行卷积计算，第二组滤波器和第二组输入进行卷积计算。默认值为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，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，只有安装Paddle GPU版时才有效。默认值为True。

• act (str，可选) - 激活函数类型，如果设置为None，则不使用激活函数。默认值为None。

• name (str，可选) - 具体用法请参见 Name ，一般无需设置，默认值为None。

• dtype (str, 可选) - 数据类型，可以为"float32"或"float64"。默认值为"float32"。

返回： 无

代码示例

import paddle.fluid as fluid
import numpy

with fluid.dygraph.guard():
    data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')

    conv3dTranspose = fluid.dygraph.nn.Conv3DTranspose(
           'Conv3DTranspose',
           num_filters=12,
           filter_size=12,
           use_cudnn=False)
    ret = conv3dTranspose(fluid.dygraph.base.to_variable(data))