ConvTranspose1d

class torch.nn.ConvTranspose1d(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)

對由多個輸入平面組成的輸入影像應用 1D 轉置卷積運算子。

此模組可以看作是 Conv1d 關於其輸入的梯度。它也被稱為分數步長卷積或反捲積（儘管它不是實際的反捲積運算，因為它不計算卷積的真實逆）。有關更多資訊，請參見視覺化和反捲積網路論文。

此模組支援 TensorFloat32。

在某些 ROCm 裝置上，當使用 float16 輸入時，此模組將對反向傳播使用不同精度。

• stride 控制互相關的步長。

• padding 控制兩側的隱式零填充量，其值為 dilation * (kernel_size - 1) - padding 個點。有關詳細資訊，請參閱下面的說明。

• output_padding 控制新增到輸出形狀一側的額外尺寸。有關詳細資訊，請參見下面的註釋。

• dilation 控制核點之間的間距；也稱為 à trous 演算法。這比較難描述，但 此處 的連結對 dilation 的作用有很好的視覺化。

• groups 控制輸入和輸出之間的連線。 in_channels 和 out_channels 都必須能被 groups 整除。例如，

  • 當 groups=1 時，所有輸入都會與所有輸出進行卷積。

  • 當 groups=2 時，操作相當於有兩個並排的卷積層，每個層看到一半的輸入通道併產生一半的輸出通道，然後將兩者連線起來。

  • 當 groups = in_channels 時，每個輸入通道都與自己的濾波器組（大小為 $\frac{\text{out\_channels}}{\text{in\_channels}}$）進行卷積。

注意

padding 引數會在輸入的兩側有效地增加 dilation * (kernel_size - 1) - padding 的零填充。這樣設定是為了使得當一個 Conv1d 和一個 ConvTranspose1d 使用相同的引數初始化時，它們在輸入和輸出形狀方面互為逆運算。但是，當 stride > 1 時，Conv1d 會將多個輸入形狀對映到同一個輸出形狀。output_padding 引數是為了解決這種歧義，透過有效地增加一側的計算輸出形狀來實現。請注意，output_padding 僅用於確定輸出形狀，實際上並不會向輸出新增零填充。

注意

在某些情況下，當使用帶有 CuDNN 的 CUDA 後端時，此運算子可能會選擇非確定性演算法以提高效能。如果您不希望這樣做，可以嘗試透過設定 torch.backends.cudnn.deterministic = True 來使操作確定化（可能會犧牲效能）。有關背景資訊，請參閱關於 可復現性 的說明。

引數

• in_channels (int) – 輸入影像中的通道數

• out_channels (int) – 卷積產生的通道數

• kernel_size (int 或 tuple) – 卷積核的大小

• stride (int 或 tuple, 可選) – 卷積的步幅。預設為：1

• padding (int 或 tuple, 可選) – dilation * (kernel_size - 1) - padding 的零填充將新增到輸入的兩側。預設值：0

• output_padding (int 或 tuple, 可選) – 新增到輸出形狀一側的附加大小。預設值：0

• groups (int, 可選) – 從輸入通道到輸出通道的阻塞連線數。預設為：1

• bias (bool, 可選) – 如果為 True，則向輸出新增可學習的偏置。預設為：True

• dilation (int 或 tuple, 可選) – 核元素之間的間距。預設為：1

形狀

• 輸入：$(N, C_{in}, L_{in})$ 或 $(C_{in}, L_{in})$

• 輸出：$(N, C_{out}, L_{out})$ 或 $(C_{out}, L_{out})$，其中

  $$L_{out} = (L_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times (\text{kernel\_size} - 1) + \text{output\_padding} + 1$$

變數

• weight ( Tensor ) – 模組的可學習權重，形狀為 $(\text{in\_channels}, \frac{\text{out\_channels}}{\text{groups}},$ $\text{kernel\_size})$。這些權值從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中進行取樣，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$

• bias ( Tensor ) – 模組的可學習偏置，形狀為 (out_channels)。如果 bias 為 True，則這些權值從 $\mathcal{U}(-\sqrt{k}, \sqrt{k})$ 中進行取樣，其中 $k = \frac{groups}{C_\text{out} * \text{kernel\_size}}$