torch.conv_transpose2d

torch.conv_transpose2d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor

Применяет оператор двумерной транспонированной свёртки к входному изображению, состоящему из нескольких входных плоскостей; иногда эту операцию также называют «деконволюцией».

Этот оператор поддерживает TensorFloat32.

Подробную информацию и сведения о форме выходных данных см. в ConvTranspose2d.

Примечание

В некоторых случаях при передаче тензоров на устройстве CUDA и использовании CuDNN этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, можно попытаться сделать операцию детерминированной (возможно, ценой снижения производительности), установив torch.backends.cudnn.deterministic = True. Дополнительную информацию см. в разделе Воспроизводимость.

Параметры:

• input – входной тензор формы $(\text{minibatch} , \text{in\_channels} , iH , iW)$
• weight – фильтры формы $(\text{in\_channels} , \frac{\text{out\_channels}}{\text{groups}} , kH , kW)$
• bias – необязательное смещение формы $(\text{out\_channels})$. По умолчанию: None
• stride – шаг свёрточного ядра. Может быть одним числом или кортежем (sH, sW). По умолчанию: 1
• padding – dilation * (kernel_size - 1) - padding нулевой отступ будет добавлен с обеих сторон каждого измерения входных данных. Может быть одним числом или кортежем (padH, padW). По умолчанию: 0
• output_padding – дополнительный размер, добавляемый с одной стороны каждого измерения формы выходных данных. Может быть одним числом или кортежем (out_padH, out_padW). По умолчанию: 0
• groups – разделяет входные данные на группы; $\text{in\_channels}$ должно делиться на число групп. По умолчанию: 1
• dilation – расстояние между элементами ядра. Может быть одним числом или кортежем (dH, dW). По умолчанию: 1

Примеры:

>>> # With square kernels and equal stride
>>> inputs = torch.randn(1, 4, 5, 5)
>>> weights = torch.randn(4, 8, 3, 3)
>>> F.conv_transpose2d(inputs, weights, padding=1)