PixelUnshuffle¶

paddle.nn. PixelUnshuffle ( downscale_factor, data_format='NCHW', name=None ) [源代码] ¶

将一个形为 \([N, C, H, W]\) 或是 \([N, H, W, C]\) 的 Tensor 重新排列成形为 \([N, r^2C, H/r, W/r]\) 或 \([N, H/r, W/r, r^2C]\) 的 Tensor，这里 \(r\) 是减小空间分辨率的减小因子。这个算子是 PixelShuffle 算子（请参考：PixelShuffle）的逆算子。详见施闻哲等人在 2016 年发表的论文 Real Time Single Image and Video Super Resolution Using an Efficient Sub Pixel Convolutional Neural Network 。

         给定一个形为 x.shape = [1, 1, 12, 12] 的 4-D 张量
设定 downscale_factor = 3
那么输出张量的形为 [1, 9, 4, 4]

        

参数¶

downscale_factor (int) – 减小空间分辨率的减小因子。

data_format (str，可选) – 数据格式，可选 NCHW 或 NHWC，默认为 NCHW，即（批大小，通道数，高度，宽度）的格式。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

形状¶

x (Tensor) – 形状为 \([N, C, H, W]\) 或 \([N, C, H, W]\) 的 4-D Tensor。

out (Tensor) – 形状为 \([N, r^2C, H/r, W/r]\) 或 \([N, H/r, W/r, r^2C]\) 的 4-D Tensor，这里 \(r\) 就是 downscale_factor。

代码示例¶

          import paddle
import paddle.nn as nn

x = paddle.randn([2, 1, 12, 12])
pixel_unshuffle = nn.PixelUnshuffle(3)
out = pixel_unshuffle(x)
print(out.shape)
# [2, 9, 4, 4]

         