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) → Tensor

对由多个输入层组成的输入图像应用二维转置卷积算子，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，请参阅 ConvTranspose2d。

注意

在某些情况下，当在 CUDA 设备上使用张量并利用 CuDNN 时，此算子可能会选择一个非确定性算法来提高性能。如果这不可取，你可以尝试将操作设置为确定性的（可能以性能为代价），方法是设置 torch.backends.cudnn.deterministic = True。有关更多信息，请参阅 可复现性。

参数

• input – 输入张量，形状为 $(\text{minibatch} , \text{in\_channels} , iH , iW)$

• weight – 滤波器，形状为 $(\text{in\_channels} , \frac{\text{out\_channels}}{\text{groups}} , kH , kW)$

• bias – 可选的偏置，形状为 $(\text{out\_channels})$。默认值：None

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

• padding – 将会在输入的每个维度两侧添加 dilation * (kernel_size - 1) - padding 的零填充。可以是单个数字或一个元组 (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 – 将输入分割成组，$\text{in\_channels}$ 必须能被组数整除。默认值：1

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

示例

>>> # 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)