torch.nn.functional.conv_transpose2d

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

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

Этот оператор поддерживает TensorFloat32.

Подробности и форму выходных данных см. в ConvTranspose2d.

Примечание

В некоторых случаях, если тензоры находятся на устройстве CUDA и используется 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 – необязательный вектор смещения формы $(\text{out\_channels})$. Значение по умолчанию: None
• stride – шаг свёрточного ядра. Может быть одним числом или кортежем (sH, sW). Значение по умолчанию: 1
• padding – dilation * (kernel_size - 1) - padding нулевое заполнение добавляется с обеих сторон каждого измерения входных данных. Может быть одним числом или кортежем (padH, padW). Значение по умолчанию: 0
• output_padding – дополнительный размер, добавляемый с одной стороны каждого измерения выходной формы. Может быть одним числом или кортежем (out_padH, out_padW). Значение по умолчанию: 0
• groups – разделение входных данных на группы; $\text{in\_channels}$ должно делиться на число групп. Значение по умолчанию: 1
• dilation – расстояние между элементами ядра. Может быть одним числом или кортежем (dH, dW). Значение 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)