torch.nn.functional.conv_transpose1d

torch.nn.functional.conv_transpose1d(input, weight, bias=None, stride=1, padding=0, output_padding=0, groups=1, dilation=1) → Tensor [исходный код]

Применяет оператор одномерной транспонированной свёртки к входному сигналу, состоящему из нескольких входных плоскостей; этот оператор также иногда называют «деконволюцией».

Этот оператор поддерживает TensorFloat32.

Подробнее см. ConvTranspose1d, где также описана форма выходных данных.

Примечание

В некоторых случаях, когда тензоры находятся на устройстве CUDA и используется CuDNN, этот оператор может выбрать недетерминированный алгоритм для повышения производительности. Если это нежелательно, можно попробовать сделать операцию детерминированной (возможно, ценой снижения производительности), установив torch.backends.cudnn.deterministic = True. Подробнее см. Воспроизводимость.

Параметры:

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

Примеры:

>>> inputs = torch.randn(20, 16, 50)
>>> weights = torch.randn(16, 33, 5)
>>> F.conv_transpose1d(inputs, weights)