Conv3DTranspose¶
- class paddle.fluid.dygraph. Conv3DTranspose ( num_channels, num_filters, filter_size, output_size=None, padding=0, stride=1, dilation=1, groups=None, param_attr=None, bias_attr=None, use_cudnn=True, act=None, name=None, dtype='float32' ) [源代码] ¶
该接口用于构建 Conv3DTranspose
类的一个可调用对象,具体用法参照 代码示例
。3D卷积转置层(Convlution3D transpose layer)根据输入(input)、滤波器(filter)和卷积核膨胀(dilations)、步长(stride)、填充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格式。其中 N
为batch大小,C
为通道数(channel), D
为特征深度,H
为特征高度,W
为特征宽度。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。如果act不为None,则转置卷积计算之后添加相应的激活函数。
输入 \(X\) 和输出 \(Out\) 函数关系如下:
- 其中:
-
\(X\):输入图像,具有NCDHW格式的张量(Tensor)
\(W\):滤波器,具有NCDHW格式的张量(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),维度为 \([M,1]\) 的2D Tensor
\(σ\):激活函数
\(Out\):输出值,
Out
和X
的 shape可能不一样
样例
输入:
输入Tensor的维度:\([N,C_{in}, D_{in}, H_{in}, W_{in}]\)
滤波器Tensor的维度:\([C_{in}, C_{out}, D_f, H_f, W_f]\)
输出:
输出Tensor的维度:\([N,C_{out}, D_{out}, H_{out}, W_{out}]\)
其中:
- 注意 :
-
如果output_size为None,则 \(D_{out}\) = \(D^\prime_{out}\) , \(H_{out}\) = \(H^\prime_{out}\) , \(W_{out}\) = \(W^\prime_{out}\);否则,指定的output_size_depth(输出特征层的深度) \(D_{out}\) 应当介于 \(D^\prime_{out}\) 和 \(D^\prime_{out} + strides[0]\) 之间(不包含 \(D^\prime_{out} + strides[0]\) ),指定的output_size_height(输出特征层的高) \(H_{out}\) 应当介于 \(H^\prime_{out}\) 和 \(H^\prime_{out} + strides[1]\) 之间(不包含 \(H^\prime_{out} + strides[1]\) ),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 \(W^\prime_{out} + strides[2]\) 之间(不包含 \(W^\prime_{out} + strides[2]\) )。
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,其可以自动计算滤波器的大小。
参数¶
num_channels (int) - 输入图像的通道数。
num_filters (int) - 滤波器(卷积核)的个数,与输出的图片的通道数相同。
filter_size (int|tuple) - 滤波器大小。如果filter_size是一个元组,则必须包含三个整型数,(filter_size_depth,filter_size_height, filter_size_width)。否则,filter_size_depth = filter_size_height = filter_size_width = filter_size。如果filter_size=None,则必须指定output_size,其会根据output_size、padding和stride计算出滤波器大小。
output_size (int|tuple,可选) - 输出图片的大小。如果
output_size
是一个元组(tuple),则该元形式为(image_H,image_W),这两个值必须为整型。如果未设置,则内部会使用filter_size、padding和stride来计算output_size。如果output_size
和filter_size
是同时指定的,那么它们应满足上面的公式。默认值为None。output_size和filter_size不能同时为None。padding (int|tuple,可选) - 填充padding大小。padding参数在输入特征层每边添加
dilation * (kernel_size - 1) - padding
个0。如果padding是一个元组,它必须包含三个整数(padding_depth,padding_height,padding_width)。否则,padding_depth = padding_height = padding_width = padding。默认值为0。stride (int|tuple,可选) - 步长stride大小。滤波器和输入进行卷积计算时滑动的步长。如果stride是一个元组,那么元组的形式为(stride_depth,stride_height,stride_width)。否则,stride_depth = stride_height = stride_width = stride。默认值为1。
dilation (int|tuple,可选) - 膨胀比例dilation大小。空洞卷积时会指该参数,滤波器对输入进行卷积时,感受野里每相邻两个特征点之间的空洞信息,根据 可视化效果图 较好理解。如果膨胀比例dilation是一个元组,那么元组的形式为(dilation_depth,dilation_height, dilation_width)。否则,dilation_depth = dilation_height = dilation_width = dilation。默认值为1。
groups (int,可选) - 三维转置卷积层的组数。从Alex Krizhevsky的CNN Deep论文中的群卷积中受到启发,当group=2时,输入和滤波器分别根据通道数量平均分为两组,第一组滤波器和第一组输入进行卷积计算,第二组滤波器和第二组输入进行卷积计算。默认值为1。
param_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 ParamAttr 。
bias_attr (ParamAttr,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 ParamAttr 。
use_cudnn (bool,可选) - 是否使用cudnn内核,只有安装Paddle GPU版时才有效。默认值为True。
act (str,可选) - 激活函数类型,如果设置为None,则不使用激活函数。默认值为None。
name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。
dtype (str,可选) - 数据类型,可以为"float32"或"float64"。默认值为"float32"。
返回¶
无
代码示例¶
import paddle.fluid as fluid
import numpy
with fluid.dygraph.guard():
data = numpy.random.random((5, 3, 12, 32, 32)).astype('float32')
conv3dTranspose = fluid.dygraph.nn.Conv3DTranspose(
'Conv3DTranspose',
num_filters=12,
filter_size=12,
use_cudnn=False)
ret = conv3dTranspose(fluid.dygraph.base.to_variable(data))