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)[source]¶
对由多个输入平面组成的输入图像应用一维转置卷积运算符。
此模块可以看作是 Conv1d 相对于其输入的梯度。它也被称为分数步长卷积或反卷积(尽管它不是真正的反卷积运算,因为它没有计算卷积的真实逆)。有关更多信息,请参阅可视化这里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,此模块将使用不同的精度进行反向传播。
stride
控制互相关运算的步长。padding
控制两侧隐式零填充的数量,用于dilation * (kernel_size - 1) - padding
数量的点。有关详细信息,请参阅以下说明。output_padding
控制添加到输出形状一侧的额外大小。有关详细信息,请参阅以下说明。dilation
控制内核点之间的间距;也称为 à trous 算法。这很难描述,但链接这里对dilation
的作用进行了很好的可视化。groups
控制输入和输出之间的连接。in_channels
和out_channels
都必须可以被groups
整除。例如,在 groups=1 时,所有输入都与所有输出进行卷积。
在 groups=2 时,操作等效于并排有两个卷积层,每个层看到一半的输入通道并产生一半的输出通道,然后将两者串联起来。
在 groups=
in_channels
时,每个输入通道都与其自己的滤波器组进行卷积(大小为)。
注意
padding
参数实际上是在输入的两侧添加dilation * (kernel_size - 1) - padding
个零填充。 这样设置是为了当Conv1d
和ConvTranspose1d
用相同的参数初始化时,它们在输入和输出形状方面是彼此的逆运算。 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
用于解决此歧义,它有效地增加了计算得到的输出形状的一侧。 请注意,output_padding
仅用于查找输出形状,而不会实际向输出添加零填充。注意
在某些情况下,当使用带有 CuDNN 的 CUDA 后端时,此操作符可能会选择非确定性算法来提高性能。 如果这不可取,您可以尝试通过设置
torch.backends.cudnn.deterministic = True
来使操作确定性(可能以性能为代价)。 请参阅有关 可重复性 的说明以获取背景信息。- 参数
- 形状
输入: 或
输出: 或 , 其中