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)

在由多个输入平面组成的输入图像上应用 1D 转置卷积算子。

此模块可以看作是 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（尽管它不是真正的反卷积操作，因为它不计算卷积的真正逆）。有关更多信息，请参阅此处可视化以及反卷积网络论文。

此模块支持 TensorFloat32。

在某些 ROCm 设备上，当使用 float16 输入时，该模块将使用不同的精度进行反向操作。

• stride 控制交叉相关步长。

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

• output_padding 控制输出形状一侧额外增加的大小。详情请见下文注释。

• dilation 控制内核点之间的间距；也称为à trous 算法。描述起来比较困难，但这里有一个很好的可视化链接，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 的情况下，所有输入都会与所有输出进行卷积。

  • 在 groups=2 的情况下，操作相当于有两个卷积层并排，每个层看到一半的输入通道并产生一半的输出通道，然后两者随后进行拼接。

  • 在 groups= in_channels 的情况下，每个输入通道都会与其自己的过滤器集（大小为 $\frac{\text{out\_channels}}{\text{in\_channels}}$ ）进行卷积。

注意

The padding argument effectively adds dilation * (kernel_size - 1) - padding amount of zero padding to both sizes of the input. This is set so that when a Conv1d and a ConvTranspose1d are initialized with same parameters, they are inverses of each other in regard to the input and output shapes. However, when stride > 1, Conv1d maps multiple input shapes to the same output shape. output_padding is provided to resolve this ambiguity by effectively increasing the calculated output shape on one side. Note that output_padding is only used to find output shape, but does not actually add zero-padding to output.

注意

In some circumstances when using the CUDA backend with CuDNN, this operator may select a nondeterministic algorithm to increase performance. If this is undesirable, you can try to make the operation deterministic (potentially at a performance cost) by setting torch.backends.cudnn.deterministic = True . Please see the notes on Reproducibility for background.

参数:

• in_channels (int) – Number of channels in the input image

• out_channels (int) – Number of channels produced by the convolution

• 卷积核大小（整数或元组）- 卷积核的大小

• 步长（整数或元组，可选）- 卷积的步长。默认：1

• 填充（整数或元组，可选）- dilation * (kernel_size - 1) - padding 将在输入的两侧添加零填充。默认：0

• 输出填充（整数或元组，可选）- 添加到输出形状一侧的额外大小。默认：0

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

• bias（bool，可选）- 如果 True ，则向输出添加可学习的偏置。默认： True

• dilation（int 或 tuple，可选）- 卷积核元素之间的间距。默认：1

形状：

• 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

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

变量:

• 权重（张量）- 模块的学得权重，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（张量）- 模块的学得偏置，形状为(out_channels)。如果 bias 是 True ，则这些权重的值从 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中采样，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$