pixel_unshuffle¶

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

将一个形为 \([N, C, H, W]\) 或 \([N, H, W, C]\) 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 pixel_shuffle 算子（请参考：pixel_shuffle）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 。

注解

详细请参考对应的 Class 请参考：PixelUnshuffle 。

参数¶

x (Tensor) – 当前算子的输入，其是一个形状为 \([N, C, H, W]\) 或 \([N, H, W, C]\) 的 4-D Tensor。其中 \(N\) 是批大小，\(C\) 是通道数，\(H\) 是输入特征的高度，\(W\) 是输入特征的宽度。其数据类型为 float32 或 float64。

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。

返回¶

Tensor，重新排列过的 Tensor，其数据类型与输入相同。

代码示例¶

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

         