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

对由多个输入平面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”。

此算子支持 TensorFloat32。

有关详情和输出形状，请参见 ConvTranspose2d。

注意

在某些情况下，当输入是 CUDA 设备上的 Tensor 且使用 CuDNN 时，此算子可能会选择非确定性算法以提高性能。如果不希望这样，可以通过设置 torch.backends.cudnn.deterministic = True 来尝试使操作具有确定性（这可能会牺牲一些性能）。更多信息请参见 可复现性。

参数

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

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

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

• stride – 卷积核的步长。可以是一个单一数字或元组 (sH, sW)。默认值：1

• padding – 输入的每个维度两侧会添加 dilation * (kernel_size - 1) - padding 的零填充。可以是一个单一数字或元组 (padH, padW)。默认值：0

• output_padding – 输出形状的每个维度的一侧会额外增加的大小。可以是一个单一数字或元组 (out_padH, out_padW)。默认值：0

• groups – 将输入拆分成组，$\text{in\_channels}$ 应能被组数整除。默认值：1

• dilation – 核元素之间的间距。可以是一个单一数字或元组 (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)