fold

paddle.nn.functional. fold ( x, output_sizes, kernel_sizes, strides=1, paddings=0, dilations=1, name=None ) [源代码]

将一个滑动局部块组合成一个大的张量。通常也被称为 col2im，用于批处理二维图像张量。Fold 通过对所有包含块的值求和来计算结果中的每个大张量的组合值。

对于输入 x，如果形状为[N, C_in, L]，其输出形状[N, C_out, H_out, W_out]，计算过程如下：

\[\begin{split}H_{out} &= output\_size[0] \\ W_{out} &= output\_size[1] \\ C_{out} &= \frac{C_{in}}{kernel\_sizes[0]\times kernel\_sizes[1]} \\\end{split}\]

参数

  • x (Tensor) – 输入 3-D Tensor，形状为[N, C, L]，数据类型为 float32 或者 float64

  • output_sizes (int|list|tuple) – 输出尺寸，整数或者整型列表。如为列表类型应包含两个元素 [output_size_h, output_size_w]。如果为整数 o，则输出形状会被认为 [o, o]。

  • kernel_size (int|list|tuple) - 卷积核大小，整数或者整型列表。如为列表类型应包含两个元素 [k_h, k_w]。如果为整数 k，则输出形状会被认为 [k, k]。

  • strides (int|list|tuple，可选) - 步长大小，整数或者整型列表。如为列表类型应包含两个元素 [stride_h, stride_w]。如果为整数 stride，则输出形状会被认为 [sride, stride]。默认为[1,1]。

  • paddings (int|list|tuple，可选) – 每个维度的扩展，整数或者整型列表。如果为整型列表，长度应该为 4 或者 2；长度为 4 对应的 padding 参数是：[padding_top, padding_left，padding_bottom, padding_right]，长度为 2 对应的 padding 参数是[padding_h, padding_w]，会被当作[padding_h, padding_w, padding_h, padding_w]处理。如果为整数 padding，则会被当作[padding, padding, padding, padding]处理。默认值为 0。

  • dilations (int|list|tuple，可选) – 卷积膨胀，整型列表或者整数。如果为整型列表，应该包含两个元素[dilation_h, dilation_w]。如果是整数 dilation，会被当作整型列表[dilation, dilation]处理。默认值为 1。

  • 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

  • 输出 ：Tensor，fold 操作之后的结果，形状如上面所描述的[N, Cout, H_out, W_out]，数据类型与 x 相同

代码示例

import paddle
import paddle.nn.functional as F

x = paddle.randn([2,3*2*2,12])
y = F.fold(x, output_sizes=[4, 5], kernel_sizes=2)
# y.shape = [2,3,4,5]