Python PyTorch conv_transpose2d用法及代碼示例

本文簡要介紹python語言中 torch.nn.functional.conv_transpose2d 的用法。

用法:

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

參數：

• input-形狀的輸入張量(\text{minibatch} , \text{in\_channels} , iH , iW)

• weight-形狀過濾器(\text{in\_channels} , \frac{\text{out\_channels}}{\text{groups}} , kH , kW)

• bias-形狀 (\text{out\_channels}) 的可選偏差。默認值：無

• stride-卷積核的步幅。可以是單個數字或元組 (sH, sW) 。默認值：1

• padding-dilation * (kernel_size - 1) - padding 零填充將添加到輸入中每個維度的兩側。可以是單個數字或元組 (padH, padW) 。默認值：0

• output_padding-添加到輸出形狀中每個維度的一側的附加大小。可以是單個數字或元組 (out_padH, out_padW) 。默認值：0

• groups-將輸入分成組，\text{in\_channels} 應該可以被組數整除。默認值：1

• dilation-內核元素之間的間距。可以是單個數字或元組 (dH, dW) 。默認值：1

在由多個輸入平麵組成的輸入圖像上應用 2D 轉置卷積算子，有時也稱為 “deconvolution”。

該運算符支持 TensorFloat32。

有關詳細信息和輸出形狀，請參見 ConvTranspose2d 。

注意

在某些情況下，當在 CUDA 設備上給定張量並使用 CuDNN 時，此運算符可能會選擇非確定性算法來提高性能。如果這是不可取的，您可以嘗試通過設置 torch.backends.cudnn.deterministic = True 來使操作具有確定性(可能以性能為代價)。有關詳細信息，請參閱重現性。

例子：

>>> # 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)