ConvTranspose1d

class torch.nn.ConvTranspose1d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode='zeros', device=None, dtype=None)

对由多个输入平面组成的输入图像应用一维转置卷积运算符。

这个模块可以被视为Conv1d相对于其输入的梯度。 它也被称为分数步长卷积或 反卷积（尽管它不是一个实际的反卷积操作，因为它不计算卷积的真实逆）。更多信息，请参见这里的可视化和反卷积网络论文。

此模块支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，此模块将在反向传播中使用 不同的精度。

• stride 控制交叉相关的步幅。

• padding 控制两侧隐式零填充的数量，用于 dilation * (kernel_size - 1) - padding 的点数。详情请参见下文注释。

• output_padding 控制添加到输出形状一侧的额外大小。详情请参见下文。

• dilation 控制卷积核点之间的间距；也称为à trous算法。 这很难描述，但这里有一个很好的可视化展示了dilation的作用。

• groups 控制输入和输出之间的连接。 in_channels 和 out_channels 必须都能被 groups 整除。例如，

  • 在 groups=1 时，所有输入都会被卷积到所有输出。

  • 在 groups=2 时，操作变得等同于并排有两个卷积层，每个卷积层看到一半的输入通道并产生一半的输出通道，然后将两者连接起来。

  • 在 groups= in_channels 的情况下，每个输入通道都与自己的一组过滤器（大小为 $\frac{\text{out\_channels}}{\text{in\_channels}}$）进行卷积。

注意

参数 padding 实际上在输入的两边添加了 dilation * (kernel_size - 1) - padding 数量的零填充。这样设置是为了当 Conv1d 和 ConvTranspose1d 使用相同的参数初始化时，它们在输入和输出形状方面互为逆。然而，当 stride > 1 时，Conv1d 将多个输入形状映射到相同的输出形状。output_padding 通过有效地增加计算出的输出形状的一侧来解决这种歧义。请注意，output_padding 仅用于确定输出形状，但实际上并不会在输出上添加零填充。

注意

在某些情况下，当使用CUDA后端与CuDNN时，此操作符可能会选择一个非确定性算法以提高性能。如果这是不可取的，您可以尝试通过设置torch.backends.cudnn.deterministic = True来使操作具有确定性（可能会以性能为代价）。 请参阅可重复性的背景说明。

Parameters

• in_channels (int) – 输入图像的通道数

• out_channels (int) – 卷积产生的通道数

• kernel_size (int 或 tuple) – 卷积核的大小

• 步幅 (整数 或 元组, 可选) – 卷积的步幅。默认值：1

• 填充 (int 或 tuple, 可选) – dilation * (kernel_size - 1) - padding 将在输入的两侧添加零填充。默认值：0

• output_padding (int 或 tuple, 可选) – 添加到输出形状一侧的额外大小。默认值：0

• groups（int, 可选）– 从输入通道到输出通道的阻塞连接数。默认值：1

• 偏置 (布尔值, 可选) – 如果True，则在输出中添加一个可学习的偏置。默认值：True

• 膨胀 (int 或 tuple, 可选) – 核元素之间的间距。默认值: 1

Shape:

• 输入: $(N, C_{in}, L_{in})$ 或 $(C_{in}, L_{in})$

• 输出: $(N, C_{out}, L_{out})$ 或 $(C_{out}, L_{out})$, 其中

  $$L_{out} = (L_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times (\text{kernel\_size} - 1) + \text{output\_padding} + 1$$

Variables

• 权重 (Tensor) – 模块的可学习权重，形状为 $(\text{in\_channels}, \frac{\text{out\_channels}}{\text{groups}},$ $\text{kernel\_size})$. 这些权重的值从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中采样，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$

• 偏置 (Tensor) – 模块的可学习偏置，形状为 (out_channels)。 如果 bias 为 True，则这些权重的值 从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中采样，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$