ConvTranspose1d
- 类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)[源代码]
-
对该一维输入图像（由多个输入平面组成）应用一维转置卷积运算。
此模块可以视为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（尽管实际上它并不是真正的反卷积操作，因为它不计算卷积的真实逆运算）。更多详细信息，请参见此处的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，此模块会采用不同的精度进行反向传播。
-
stride控制跨相关运算的步长。 -
padding控制每侧隐式的零填充量，具体为dilation * (kernel_size - 1) - padding个点。详情请参见下方注释。 -
output_padding控制添加到输出形状一侧的额外大小。具体细节请参见下方注释。 -
dilation控制核点之间的间距，也称为 à trous 算法。它更难描述清楚，但你可以参考这个链接这里，有一个很好的可视化效果来帮助理解dilation的作用。 -
groups控制输入和输出之间的连接关系。in_channels和out_channels必须都能被groups整除。例如，-
当groups等于1时，所有的输入都会与所有的输出进行卷积运算。
-
当 groups=2 时，操作等同于有两个并排的卷积层，每个卷积层处理一半的输入通道并生成一半的输出通道，最后将这两个卷积层的结果拼接在一起。
-
当 groups=
in_channels时，每个输入通道与其自身的滤波器组（大小为$\frac{\text{out\_channels}}{\text{in\_channels}}$）进行卷积。
-
注意
padding参数实际上会在输入的两侧添加dilation * (kernel_size - 1) - padding数量的零填充。这样设置是为了确保当一个Conv1d和一个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操作。然而，当stride > 1时，Conv1d将多个不同的输入映射到相同的输出形状。output_padding提供了一个方法来解决这种歧义，通过有效增加计算出的输出形状的一侧大小。需要注意的是，output_padding仅用于确定输出形状，并不会实际在输出中添加零填充。注意
在某些情况下，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来提高性能。如果这不可取，你可以尝试通过将
torch.backends.cudnn.deterministic = True设置为真来使操作具有确定性（可能会影响性能）。请参阅关于可重复性的说明以获取背景信息。- 参数
- 形状:
-
-
输入格式为: $(N, C_{in}, L_{in})$ 或 $(C_{in}, L_{in})$
-
输出为 $(N, C_{out}, L_{out})$ 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
-
-
weight (Tensor) – 模块的可学习权重，其形状为 $(\text{in\_channels}, \frac{\text{out\_channels}}{\text{groups}},$ $\text{kernel\_size})$。这些权重的值从分布$\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中抽取，其中 $k = \frac{\text{groups}}{C_\text{out} * \text{kernel\_size}}$
-
bias (Tensor) – 模块的可学习偏置，形状为 (out_channels)。如果
bias为True，则这些权重的值从分布 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中抽取，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$
-
-