Table of Contents
Shortcuts

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) → 张量

对由多个输入平面组成的输入图像应用二维转置卷积运算符，有时也称为“反卷积”。

此操作符支持 TensorFloat32。

有关详细信息和输出形状，请参见 ConvTranspose2d。

注意

在某些情况下，当给定的张量位于CUDA设备上并使用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）。更多信息请参见可重复性。

Parameters

  • 输入 – 输入张量的形状为 (minibatch,in_channels,iH,iW)(\text{minibatch} , \text{in\_channels} , iH , iW)

  • 权重 – 形状为 (in_channels,out_channelsgroups,kH,kW)(\text{in\_channels} , \frac{\text{out\_channels}}{\text{groups}} , kH , kW)

  • 偏置 – 可选的偏置形状为 (out_channels)(\text{out\_channels}). 默认值: None

  • 步幅 – 卷积核的步幅。可以是一个数字或一个元组 (sH, sW)。默认值：1

  • 填充 – dilation * (kernel_size - 1) - padding 将在输入的每个维度的两侧添加零填充。可以是一个数字或一个元组 (padH, padW)。默认值：0

  • output_padding – 在输出形状的每个维度的一侧添加的额外大小。可以是单个数字或一个元组 (out_padH, out_padW)。默认值：0

  • groups – 将输入分成多个组，in_channels\text{in\_channels} 应该是组数的倍数。默认值：1

  • dilation – 核元素之间的间距。可以是单个数字或一个元组 (dH, dW)。默认值：1

示例：

>>> # 使用方形核和相等的步幅
>>> inputs = torch.randn(1, 4, 5, 5)
>>> weights = torch.randn(4, 8, 3, 3)
>>> F.conv_transpose2d(inputs, weights, padding=1)
优云智算