pytorch中ConvTranspose2d()

nn.ConvTranspose2d()

在由多个输入平面组成的输入图像上应用二维转置卷积运算符。
该模块可以看作是Conv2d相对于其输入的梯度。它也被称为分数步法卷积或反卷积（尽管它不是实际的反卷积运算）。

参数

• in_channels（int）–输入图像中的通道数

• out_channels（int）–卷积产生的通道数

• kernel_size（int或元组）–卷积内核的大小

• stride（int或tuple，可选）–卷积的步幅。默认值：1

• padding（int或tuple，可选）– 零填充将添加到输入中每个维度的两侧。默认值：0dilation * (kernel_size - 1) - padding

• output_padding（int或tuple，可选）–在输出形状的每个尺寸的一侧添加的附加大小。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

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

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

维度

• Input:
• Output:
  
  

例子

>>> # With square kernels and equal stride
>>> m = nn.ConvTranspose2d(16, 33, 3, stride=2)
>>> # non-square kernels and unequal stride and with padding
>>> m = nn.ConvTranspose2d(16, 33, (3, 5), stride=(2, 1), padding=(4, 2))
>>> input = torch.randn(20, 16, 50, 100)
>>> output = m(input)
>>> # exact output size can be also specified as an argument
>>> input = torch.randn(1, 16, 12, 12)
>>> downsample = nn.Conv2d(16, 16, 3, stride=2, padding=1)
>>> upsample = nn.ConvTranspose2d(16, 16, 3, stride=2, padding=1)
>>> h = downsample(input)
>>> h.size()
torch.Size([1, 16, 6, 6])
>>> output = upsample(h, output_size=input.size())
>>> output.size()
torch.Size([1, 16, 12, 12])