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)

对由几个输入平面组成的输入图像应用 1D 转置卷积运算符。

此模块可以看作是 Conv1d 相对于其输入的梯度。它也称为分数步长卷积或反卷积（虽然它不是真正的反卷积操作，因为它不计算卷积的真逆）。有关更多信息，请参阅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，此模块将对后向传播使用不同的精度。

• stride 控制互相关的步长。

• padding 控制在两侧隐式零填充的数量，填充的点数为 dilation * (kernel_size - 1) - padding。有关详细信息，请参阅下面的注释。

• output_padding 控制添加到输出形状一侧的额外大小。有关详细信息，请参阅下面的注释。

• dilation 控制内核点之间的间距；也称为 à trous 算法。它更难描述，但链接此处很好地可视化了dilation 的作用。

• groups 控制输入和输出之间的连接。in_channels 和 out_channels 都必须能被 groups 整除。例如，

  • 当 groups=1 时，所有输入都与所有输出进行卷积。

  • 当 groups=2 时，该操作等效于并排有两个 conv 层，每个层看到一半的输入通道并产生一半的输出通道，然后两者串联。

  • 当 groups= in_channels 时，每个输入通道都与其自己的滤波器组（大小为 $\frac{\text{out\_channels}}{\text{in\_channels}}$）进行卷积。

注意

padding 参数有效地将 dilation * (kernel_size - 1) - padding 数量的零填充添加到输入的两侧大小。这样设置是为了当使用相同参数初始化 Conv1d 和 ConvTranspose1d 时，它们在输入和输出形状方面互为逆运算。但是，当 stride > 1 时，Conv1d 将多个输入形状映射到相同的输出形状。output_padding 的提供是为了通过有效地增加一侧的计算输出形状来解决这种歧义。请注意，output_padding 仅用于查找输出形状，但实际上不会向输出添加零填充。

注意

在某些情况下，当将 CUDA 后端与 CuDNN 一起使用时，此运算符可能会选择非确定性算法来提高性能。如果这是不希望的，您可以尝试通过设置 torch.backends.cudnn.deterministic = True 使操作具有确定性（可能以性能为代价）。请参阅关于可重复性的注释以了解背景信息。

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 tuple) – 卷积核的大小

• stride (int 或 tuple, 可选) – 卷积的步长。默认值：1

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

• output_padding (int 或 tuple, 可选) – 添加到输出形状一侧的额外大小。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置。默认值：True

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

• weight (Tensor) – 模块的可学习权重，形状为 $(\text{in\_channels}, \frac{\text{out\_channels}}{\text{groups}},$ $\text{kernel\_size})$。 这些权重的值采样自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 的均匀分布，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$

• bias (Tensor) – 模块的可学习偏置，形状为 (out_channels)。 如果 bias 为 True，则这些权重的值采样自 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 的均匀分布，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$