.. py:class:: paddle.nn.Conv3DTranspose(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, dilation=1, weight_attr=None, bias_attr=None, data_format="NCDHW")
三维转置卷积层(Convlution3d transpose layer)
该层根据输入(input)、卷积核(kernel)和卷积核空洞大小(dilations)、步长(stride)、填充(padding)来计算输出特征层大小或者通过 output_size 指定输出特征层大小。输入(Input)和输出(Output)为 NCDHW 或者 NDHWC 格式。其中 N 为批尺寸,C 为通道数(channel),D 为特征深度,H 为特征层高度,W 为特征层宽度。转置卷积的计算过程相当于卷积的反向计算。转置卷积又被称为反卷积(但其实并不是真正的反卷积)。欲了解卷积转置层细节,请参考下面的说明和 参考文献 。如果参数 bias_attr 不为 False,转置卷积计算会添加偏置项。
输入 X 和输出 Out 函数关系如下:
\\Out=\sigma (W*X+b)\\
其中:
- X:输入,具有 NCDHW 或 NDHWC 格式的 5-D Tensor
- W:卷积核,具有 NCDHW 格式的 5-D Tensor
- *:卷积操作(注意:转置卷积本质上的计算还是卷积)
- b:偏置(bias),1-D Tensor,形状为
[M]
- \sigma :激活函数
- Out:输出值,NCDHW 或 NDHWC 格式的 5-D Tensor,和
X
的形状可能不同
Note
如果 output_size 为 None,则 H_{out} = H^\prime_{out} , W_{out} = W^\prime_{out};否则,指定的 output_size_height(输出特征层的高) H_{out} 应当介于 H^\prime_{out} 和 H^\prime_{out} + strides[0] 之间(不包含 H^\prime_{out} + strides[0] ),并且指定的 output_size_width(输出特征层的宽) W_{out} 应当介于 W^\prime_{out} 和 W^\prime_{out} + strides[1] 之间(不包含 W^\prime_{out} + strides[1] )。
由于转置卷积可以当成是卷积的反向计算,而根据卷积的输入输出计算公式来说,不同大小的输入特征层可能对应着相同大小的输出特征层,所以对应到转置卷积来说,固定大小的输入特征层对应的输出特征层大小并不唯一。
如果指定了 output_size,则可以自动计算卷积核的大小。
- in_channels (int) - 输入图像的通道数。
- out_channels (int) - 卷积核的个数,和输出特征图个数相同。
- kernel_size (int|list|tuple) - 卷积核大小。可以为单个整数或包含三个整数的元组或列表,分别表示卷积核的深度,高和宽。如果为单个整数,表示卷积核的深度,高和宽都等于该整数。output_size 和 kernel_size 不能同时为 None。
- stride (int|tuple,可选) - 步长大小。如果
stride
为元组或列表,则必须包含三个整型数,分别表示深度,垂直和水平滑动步长。否则,表示深度,垂直和水平滑动步长均为stride
。默认值为 1。- padding (int|tuple,可选) - 填充大小。如果
padding
为元组或列表,则必须包含三个整型数,分别表示深度,竖直和水平边界填充大小。否则,表示深度,竖直和水平边界填充大小均为padding
。如果它是一个字符串,可以是 "VALID" 或者 "SAME" ,表示填充算法,计算细节可参考下方形状padding
= "SAME" 或padding
= "VALID" 时的计算公式。默认值为 0。- output_padding (int|list|tuple,可选) - 输出形状上一侧额外添加的大小。默认值为 0。
- groups (int,可选) - 二维卷积层的组数。根据 Alex Krizhevsky 的 Deep CNN 论文 中的分组卷积:当 groups = 2,卷积核的前一半仅和输入特征图的前一半连接。卷积核的后一半仅和输入特征图的后一半连接。默认值为 1。
- dilation (int|tuple,可选) - 空洞大小。可以为单个整数或包含三个整数的元组或列表,分别表示卷积核中的元素沿着深度,高和宽的空洞。如果为单个整数,表示深度,高和宽的空洞都等于该整数。默认值为 1。
- weight_attr (ParamAttr,可选) - 指定权重参数属性的对象。默认值为 None,表示使用默认的权重参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- bias_attr (ParamAttr|bool,可选) - 指定偏置参数属性的对象。默认值为 None,表示使用默认的偏置参数属性。具体用法请参见 :ref:`cn_api_fluid_ParamAttr` 。
- data_format (str,可选) - 指定输入的数据格式,输出的数据格式将与输入保持一致,可以是 "NCHW" 和 "NHWC"。N 是批尺寸,C 是通道数,H 是特征高度,W 是特征宽度。默认值为 "NCDHW"。
- 输入:(N, C_{in}, D_{in}, H_{in}, W_{in})
- 卷积核:(C_{in}, C_{out}, K_{d}, K_{h}, K_{w})
- 偏置:(C_{out})
- 输出:(N, C_{out}, D_{out}, H_{out}, W_{out})
其中
D^\prime_{out} &= (D_{in} - 1) * strides[0] - 2 * paddings[0] + dilations[0] * (D_f - 1) + 1 \\ H^\prime_{out} &= (H_{in} - 1) * strides[1] - 2 * paddings[1] + dilations[1] * (H_f - 1) + 1 \\ W^\prime_{out} &= (W_{in} - 1) * strides[2] - 2 * paddings[2] + dilations[2] * (W_f - 1) + 1 \\ D_{out} &\in [ D^\prime_{out}, D^\prime_{out} + strides[0] ] \\ H_{out} &\in [ H^\prime_{out}, H^\prime_{out} + strides[1] ] \\ W_{out} &\in [ W^\prime_{out}, W^\prime_{out} + strides[2] ] \\如果
padding
= "SAME":& D'_{out} = \frac{(D_{in} + stride[0] - 1)}{stride[0]}\\ & H'_{out} = \frac{(H_{in} + stride[1] - 1)}{stride[1]}\\ & W'_{out} = \frac{(W_{in} + stride[2] - 1)}{stride[2]}\\如果
padding
= "VALID":& D'_{out} = (D_{in}-1)*strides[0] + dilations[0]*(kernel\_size[0]-1)+1\\ & H'_{out} = (H_{in}-1)*strides[1] + dilations[1]*(kernel\_size[1]-1)+1\\ & W'_{out} = (W_{in}-1)*strides[2] + dilations[2]*(kernel\_size[2]-1)+1 \\
COPY-FROM: paddle.nn.Conv3DTranspose