ConvTranspose2d函数笔记

函数与相关参数

反卷积 ：反卷积也被称为 转置卷积 ，反卷积其实就是卷积的逆过程。 大家可能对于反卷积的认识有一个误区，以为通过反卷积就可以获取到经过卷积之前的图片， 实际上通过反卷积操作并不能还原出卷积之前的图片，只能还原出卷积之前图片的尺寸。

CLASS torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1, padding_mode=‘zeros’, device=None, dtype=None)

stride: 控制互相关的步幅;
padding: 控制 dilation * (kernel_size - 1) - padding 点数两侧的隐式零填充量;
output_padding: 控制添加到输出形状一侧的附加大小;
dilation: 控制内核点之间的间距； 也称为 à trous 算法。

groups:控制输入和输出之间的连接。 in_channels 和 out_channels 都必须能被组整除。 例如，

• 在 groups=1 时，所有输入都卷积到所有输出。
• 在 groups=2 时，该操作等效于并排有两个卷积层，每个卷积层看到一半的输入通道并产生一半的输出通道，并且随后将两者连接起来。
• 在 groups=in_channels 处，每个输入通道都与自己的一组过滤器进行卷积（大小为 $\frac{\text{out\_channels}}{\text{in\_channels}}$）

• in_channels (int) - 输入图像中的通道数
• out_channels (int) – 卷积产生的通道数
• kernel_size (int or tuple) – 卷积核的大小
• stride (int or tuple, optional) – 卷积的步幅。 默认值：1
• padding (int or tuple, optional) – dilation * (kernel_size - 1) – padding 零填充将被添加到输入中每个维度的两侧。 默认值：0
• output_padding (int or tuple, optional) – 附加大小添加到输出形状中每个维度的一侧。 默认值：0
• groups (int, optional) – 从输入通道到输出通道的阻塞连接数。 默认值：1
• bias (bool, optional) – 如果为真，则为输出添加可学习的偏差。 默认值：真
• dilation (int or tuple, optional) – 内核元素之间的间距。 默认值：1

计算和使用

$$Input:(N,C_{in},H_{in},W_{in})or(C_{in},H_{in},W_{in})$$$$Output:(N,C_{out},H_{out},W_{out})or(C_{out},H_{out},W_{out})$$
$$H_{out}=(H_{in}-1)\times stride[0]-2\times padding[0]+dilation[0]\times (\text{kernel\_size[0]}-1)+\text{output\_padding[0]}+1$$
$$W_{out}=(W_{in}-1)\times stride[0]-2\times padding[0]+dilation[0]\times (\text{kernel\_size[0]}-1)+\text{output\_padding[0]}+1$$

import torch
import torch.nn as nn
m = nn.ConvTranspose2d(16, 33, 3, stride=2)
input = torch.randn(20, 16, 50, 100)
output = m(input)
print(output.shape)

torch.Size([20, 33, 101, 201])