Col2Im¶

Col2Im - 18¶

此版本的算子自 版本 18 起可用。

此算子将列块重新排列回多维图像

Col2Im 的行为类似于 PyTorch 的 fold https://pytorch.ac.cn/docs/stable/generated/torch.nn.Fold.html，但它仅支持*批处理的*多维图像张量。可以在 https://github.com/f-dangel/unfoldNd/ 找到另一个支持 N 维度的 Python 实现。

注意：尽管指定 image_shape 可能看起来是多余的，因为它可以从卷积公式计算得出，但在更高级的场景中，它被要求作为输入，正如 PyTorch 实现中所解释的 (https://github.com/pytorch/pytorch/blob/master/aten/src/ATen/native/Col2Im.cpp#L10)

dilations - INTS :

一个一维张量，包含图像沿每个空间轴的膨胀值。如果未指定，膨胀值默认为图像沿每个空间轴的 1。
pads - INTS :

一个一维张量，包含沿每个空间轴的开始和结束部分的填充值，可以取任何大于或等于 0 的值。该值表示在对应轴的开始和结束部分添加的像素数量。pads 格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…]，其中 xi_begin 是在轴 i 的开始处添加的像素数量，xi_end 是在轴 i 的结束处添加的像素数量。如果未指定，填充值默认为沿每个空间轴的开始和结束部分的 0。
strides - INTS :

一个一维张量，包含沿每个空间轴的步幅值。如果未指定，步幅值默认为沿每个空间轴的 1。

input (异构) - T

要从列块重新排列回图像的输入数据张量。这是一个三维张量，包含 [N, C * n-ary-product(block_shape), L]，其中 N 是批次维度，C 是图像通道维度，L 是块的数量。块按其索引的字典序升序枚举。例如，对于图像大小为 10*20 且块大小为 9*18 的图像，将有 2*3 个块，按 block(0, 0), block(0, 1), block(0, 2), block(1, 0), block(1, 1), block(1, 2) 的顺序枚举。
image_shape (异构) - tensor(int64)

重新排列列块后图像空间维度的形状。这是一个大小至少为 2 的一维张量，对于 2-D 图像包含值 [H_img, W_img]，对于 N-D 图像包含值 [dim_i1, dim_i2, …, dim_iN]。
block_shape (异构) - tensor(int64)

应用于输入的块的形状。这是一个大小至少为 2 的一维张量，对于 2-D 图像包含值 [H_block, W_block]，对于 N-D 块包含值 [dim_b1, dim_b2, …, dim_bN]。这是应用膨胀之前的块形状。

T in ( tensor(bfloat16), tensor(bool), tensor(complex128), tensor(complex64), tensor(double), tensor(float), tensor(float16), tensor(int16), tensor(int32), tensor(int64), tensor(int8), tensor(string), tensor(uint16), tensor(uint32), tensor(uint64), tensor(uint8) )

将输入和输出类型限制为所有数值张量类型。