Conv2DTranspose

class paddle.nn. Conv2DTranspose ( in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, dilation=1, weight_attr=None, bias_attr=None, data_format=’NCHW’ ) [源代码]

二维转置卷积层(Convlution2d transpose layer)

该层根据输入(input)、卷积核(kernel)和空洞大小(dilations)、步长(stride)、填充(padding)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NCHW或NHWC格式,其中N为批尺寸,C为通道数(channel),H为特征层高度,W为特征层宽度。卷积核是MCHW格式,M是输出图像通道数,C是输入图像通道数,H是卷积核高度,W是卷积核宽度。如果组数大于1,C等于输入图像通道数除以组数的结果。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)。欲了解转置卷积层细节,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。

输入

Conv2DTranspose - 图1

和输出

Conv2DTranspose - 图2

函数关系如下:

Conv2DTranspose - 图3

其中:

  • Conv2DTranspose - 图4

    : 输入,具有NCHW或NHWC格式的4-D Tensor

  • Conv2DTranspose - 图5

    : 卷积核,具有NCHW格式的4-D Tensor

  • Conv2DTranspose - 图6

    : 卷积计算(注意:转置卷积本质上的计算还是卷积)

  • Conv2DTranspose - 图7

    : 偏置(bias),2-D Tensor,形状为 [M,1]

  • Conv2DTranspose - 图8

    : 激活函数

  • Conv2DTranspose - 图9

    : 输出值,NCHW或NHWC格式的4-D Tensor, 和 X 的形状可能不同

注意:

如果output_size为None,则

Conv2DTranspose - 图10

=

Conv2DTranspose - 图11

,

Conv2DTranspose - 图12

=

Conv2DTranspose - 图13

;否则,指定的output_size_height(输出特征层的高) HoutHout 应当介于 H′outHout′ 和 H′out+strides[0]Hout′+strides[0] 之间(不包含 H′out+strides[0]Hout′+strides[0] ), 并且指定的output_size_width(输出特征层的宽) WoutWout 应当介于 W′outWout′ 和 W′out+strides[1]Wout′+strides[1] 之间(不包含 W′out+strides[1]Wout′+strides[1] )。

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, conv2d_transpose 可以自动计算卷积核的大小。

参数:

  • in_channels (int) - 输入图像的通道数。

  • out_channels (int) - 卷积核的个数,和输出特征图通道数相同。

  • kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含两个整数的元组或列表,分别表示卷积核的高和宽。如果为单个整数,表示卷积核的高和宽都等于该整数。

  • stride (int|tuple, 可选) - 步长大小。如果 stride 为元组或列表,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。

  • padding (int|tuple, 可选) - 填充大小。如果 padding 为元组或列表,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 。如果它是一个字符串,可以是”VALID”或者”SAME”,表示填充算法,计算细节可参考下方形状 padding = “SAME”或 padding = “VALID” 时的计算公式。默认值:0。

  • output_padding (int|list|tuple, optional): 输出形状上一侧额外添加的大小. 默认值: 0.

  • 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,卷积核的前一半仅和输入特征图的前一半连接。卷积核的后一半仅和输入特征图的后一半连接。默认值:1。

  • dilation (int|tuple, 可选) - 空洞大小。可以为单个整数或包含两个整数的元组或列表,分别表示卷积核中的元素沿着高和宽的空洞。如果为单个整数,表示高和宽的空洞都等于该整数。默认值:1。

  • weight_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

  • data_format (str,可选) - 指定输入的数据格式,输出的数据格式将与输入保持一致,可以是”NCHW”和”NHWC”。N是批尺寸,C是通道数,H是特征高度,W是特征宽度。默认值:”NCHW”。

形状:

  • 输入:(N,Cin,Hin,Win)(N,Cin,Hin,Win)

  • 输出:(N,Cout,Hout,Wout)(N,Cout,Hout,Wout)

其中

H′out=(Hin−1)∗strides[0]−pad_height_top−pad_height_bottom+dilations[0]∗(kernel_size[0]−1)+1W′out=(Win−1)∗strides[1]−pad_width_left−pad_width_right+dilations[1]∗(kernel_size[1]−1)+1Hout∈[H′out,H′out+strides[0])Wout∈[W′out,W′out+strides[1])Hout′=(Hin−1)∗strides[0]−pad_height_top−pad_height_bottom+dilations[0]∗(kernel_size[0]−1)+1Wout′=(Win−1)∗strides[1]−pad_width_left−pad_width_right+dilations[1]∗(kernel_size[1]−1)+1Hout∈[Hout′,Hout′+strides[0])Wout∈[Wout′,Wout′+strides[1])

如果 padding = “SAME”:

H′out=(Hin+stride[0]−1)stride[0]W′out=(Win+stride[1]−1)stride[1]Hout′=(Hin+stride[0]−1)stride[0]Wout′=(Win+stride[1]−1)stride[1]

如果 padding = “VALID”:

H′out=(Hin−1)∗strides[0]+dilations[0]∗(kernel_size[0]−1)+1W′out=(Win−1)∗strides[1]+dilations[1]∗(kernel_size[1]−1)+1Hout′=(Hin−1)∗strides[0]+dilations[0]∗(kernel_size[0]−1)+1Wout′=(Win−1)∗strides[1]+dilations[1]∗(kernel_size[1]−1)+1

抛出异常:

  • ValueError : 如果输入的shape、filter_size、stride、padding和groups不匹配,抛出ValueError

  • ValueError - 如果 data_format 既不是”NCHW”也不是”NHWC”。

  • ValueError - 如果 padding 是字符串,既不是”SAME”也不是”VALID”。

  • ValueError - 如果 padding 含有4个二元组,与批尺寸对应维度的值不为0或者与通道对应维度的值不为0。

  • ValueError - 如果 output_sizefilter_size 同时为None。

  • ShapeError - 如果输入不是4-D Tensor。

  • ShapeError - 如果输入和卷积核的维度大小不相同。

  • ShapeError - 如果输入的维度大小与 stride 之差不是2。

代码示例

  1. import paddle
  2. import paddle.nn as nn
  3. x_var = paddle.uniform((2, 4, 8, 8), dtype='float32', min=-1., max=1.)
  4. conv = nn.Conv2DTranspose(4, 6, (3, 3))
  5. y_var = conv(x_var)
  6. y_np = y_var.numpy()
  7. print(y_np.shape)
  8. # (2, 6, 10, 10)

使用本API的教程文档