ConvTranspose¶
ConvTranspose - 22¶
版本¶
域:
main
起始版本:
22
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的算子自**版本 22**起可用。
摘要¶
卷积转置算子接收输入张量和滤波器,并计算输出。
如果提供了 pads 参数,输出形状通过以下公式计算
output_shape[i] = stride[i] * (input_size[i] - 1) + output_padding[i] + ((kernel_shape[i] - 1) * dilations[i] + 1) - pads[start_i] - pads[end_i]
output_shape 也可以显式指定,在这种情况下,pads 值将使用这些公式自动生成
total_padding[i] = stride[i] * (input_size[i] - 1) + output_padding[i] + ((kernel_shape[i] - 1) * dilations[i] + 1) - output_shape[i] If (auto_pads == SAME_UPPER): pads[start_i] = total_padding[i]/2; pads[end_i] = total_padding[i] - (total_padding[i]/2) Else: pads[start_i] = total_padding[i] - (total_padding[i]/2); pads[end_i] = (total_padding[i]/2)。
属性¶
auto_pad - 字符串 (默认为
'NOTSET'
)auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值为 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 意味着填充输入,使得每个轴
i
的output_shape[i] = input_shape[i] * strides[i]
。填充在两侧平均分配或几乎平均分配(取决于奇偶)。如果填充数为奇数,额外的填充将添加到 SAME_UPPER 的末尾和 SAME_LOWER 的开头。扩张率 - 整数列表 :
滤波器沿每个空间轴的扩张值。如果不存在,则沿每个空间轴的扩张率默认为 1。
组 - 整数 (默认为
'1'
)输入通道和输出通道被分成的组数。
卷积核形状 - 整数列表 :
卷积核的形状。如果不存在,应从输入 W 推断。
输出填充 - 整数列表 :
在输出中坐标索引较高的一侧添加的额外元素。“output_padding” 中的每个填充值必须小于相应的步长/扩张维度。默认情况下,此属性是零向量。请注意,此属性不直接影响计算的输出值。它只控制计算值的选择,因此更改此属性只会添加或删除输出元素。如果显式提供了 “output_shape”,则 “output_padding” 不会为 “output_shape” 贡献额外的大小,但会参与所需填充量的计算。在某些框架中,这也被称为 adjs 或 adjustment。
输出形状 - 整数列表 :
输出的形状可以显式设置,这将导致 pads 值自动生成。如果指定了 output_shape,则 pads 值将被忽略。有关生成 pads 的公式,请参阅文档。请注意,output_shape 属性值不应包含批量大小和通道的维度,这些是自动推断的。
填充 - 整数列表 :
沿每个空间轴开头和结尾的填充,其值可以大于或等于 0。该值表示在对应轴的开头和结尾部分添加的像素数。
pads
格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…],其中 xi_begin 是在轴i
的开头添加的像素数,xi_end 是在轴i
的结尾添加的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在,则沿每个空间轴的开头和结尾的填充默认为 0。步长 - 整数列表 :
沿每个空间轴的步长。如果不存在,则沿每个空间轴的步长默认为 1。
输入¶
2 到 3 个输入。
X (异构) - T
来自前一层的输入数据张量;大小为 (N x C x H x W),其中 N 是批量大小,C 是通道数,H 和 W 是高度和宽度。请注意,这是针对二维图像的情况。否则,大小为 (N x C x D1 x D2 … x Dn)
W (异构) - T
将用于卷积的权重张量;大小为 (C x M/group x kH x kW),其中 C 是通道数,kH 和 kW 是卷积核的高度和宽度,M 是特征图的数量。对于超过 2 个维度的情况,权重的形状将是 (C x M/group x k1 x k2 x … x kn),其中 (k1 x k2 x … x kn) 是卷积核的维度。输出中的通道数应等于 W.shape[1] * group(假设形状数组的索引从零开始)
B (可选,异构) - T
可选的一维偏置,将添加到卷积中,大小为 M。
输出¶
Y (异构) - T
包含卷积结果的输出数据张量。输出维度是卷积核大小、步长大小、填充长度和组数的函数。输出中的通道数应等于 W.shape[1] * group(假设形状数组的索引从零开始)
类型约束¶
T in (
tensor(bfloat16)
,tensor(double)
,tensor(float)
,tensor(float16)
)将输入和输出类型限制为浮点张量。
ConvTranspose - 11¶
版本¶
域:
main
起始版本:
11
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的算子自**版本 11**起可用。
摘要¶
卷积转置算子接收输入张量和滤波器,并计算输出。
如果提供了 pads 参数,输出形状通过以下公式计算
output_shape[i] = stride[i] * (input_size[i] - 1) + output_padding[i] + ((kernel_shape[i] - 1) * dilations[i] + 1) - pads[start_i] - pads[end_i]
output_shape 也可以显式指定,在这种情况下,pads 值将使用这些公式自动生成
total_padding[i] = stride[i] * (input_size[i] - 1) + output_padding[i] + ((kernel_shape[i] - 1) * dilations[i] + 1) - output_shape[i] If (auto_pads == SAME_UPPER): pads[start_i] = total_padding[i]/2; pads[end_i] = total_padding[i] - (total_padding[i]/2) Else: pads[start_i] = total_padding[i] - (total_padding[i]/2); pads[end_i] = (total_padding[i]/2)。
属性¶
auto_pad - 字符串 (默认为
'NOTSET'
)auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值为 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 意味着填充输入,使得每个轴
i
的output_shape[i] = input_shape[i] * strides[i]
。填充在两侧平均分配或几乎平均分配(取决于奇偶)。如果填充数为奇数,额外的填充将添加到 SAME_UPPER 的末尾和 SAME_LOWER 的开头。扩张率 - 整数列表 :
滤波器沿每个空间轴的扩张值。如果不存在,则沿每个空间轴的扩张率默认为 1。
组 - 整数 (默认为
'1'
)输入通道和输出通道被分成的组数。
卷积核形状 - 整数列表 :
卷积核的形状。如果不存在,应从输入 W 推断。
输出填充 - 整数列表 :
在输出中坐标索引较高的一侧添加的额外元素。“output_padding” 中的每个填充值必须小于相应的步长/扩张维度。默认情况下,此属性是零向量。请注意,此属性不直接影响计算的输出值。它只控制计算值的选择,因此更改此属性只会添加或删除输出元素。如果显式提供了 “output_shape”,则 “output_padding” 不会为 “output_shape” 贡献额外的大小,但会参与所需填充量的计算。在某些框架中,这也被称为 adjs 或 adjustment。
输出形状 - 整数列表 :
输出的形状可以显式设置,这将导致 pads 值自动生成。如果指定了 output_shape,则 pads 值将被忽略。有关生成 pads 的公式,请参阅文档。请注意,output_shape 属性值不应包含批量大小和通道的维度,这些是自动推断的。
填充 - 整数列表 :
沿每个空间轴开头和结尾的填充,其值可以大于或等于 0。该值表示在对应轴的开头和结尾部分添加的像素数。
pads
格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…],其中 xi_begin 是在轴i
的开头添加的像素数,xi_end 是在轴i
的结尾添加的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在,则沿每个空间轴的开头和结尾的填充默认为 0。步长 - 整数列表 :
沿每个空间轴的步长。如果不存在,则沿每个空间轴的步长默认为 1。
输入¶
2 到 3 个输入。
X (异构) - T
来自前一层的输入数据张量;大小为 (N x C x H x W),其中 N 是批量大小,C 是通道数,H 和 W 是高度和宽度。请注意,这是针对二维图像的情况。否则,大小为 (N x C x D1 x D2 … x Dn)
W (异构) - T
将用于卷积的权重张量;大小为 (C x M/group x kH x kW),其中 C 是通道数,kH 和 kW 是卷积核的高度和宽度,M 是特征图的数量。对于超过 2 个维度的情况,权重的形状将是 (C x M/group x k1 x k2 x … x kn),其中 (k1 x k2 x … x kn) 是卷积核的维度。输出中的通道数应等于 W.shape[1] * group(假设形状数组的索引从零开始)
B (可选,异构) - T
可选的一维偏置,将添加到卷积中,大小为 M。
输出¶
Y (异构) - T
包含卷积结果的输出数据张量。输出维度是卷积核大小、步长大小、填充长度和组数的函数。输出中的通道数应等于 W.shape[1] * group(假设形状数组的索引从零开始)
类型约束¶
T in (
tensor(double)
,tensor(float)
,tensor(float16)
)将输入和输出类型限制为浮点张量。
ConvTranspose - 1¶
版本¶
域:
main
起始版本:
1
函数:
False
支持级别:
SupportType.COMMON
形状推断:
True
此版本的算子自**版本 1**起可用。
摘要¶
卷积转置算子接收输入张量和滤波器,并计算输出。
如果提供了 pads 参数,输出形状通过以下公式计算
output_shape[i] = stride[i] * (input_size[i] - 1) + output_padding[i] + ((kernel_shape[i] - 1) * dilations[i] + 1) - pads[start_i] - pads[end_i]
output_shape 也可以显式指定,在这种情况下,pads 值将使用这些公式自动生成
total_padding[i] = stride[i] * (input_size[i] - 1) + output_padding[i] + ((kernel_shape[i] - 1) * dilations[i] + 1) - output_shape[i] If (auto_pads != SAME_UPPER): pads[start_i] = total_padding[i]/2; pads[end_i] = total_padding[i] - (total_padding[i]/2) Else: pads[start_i] = total_padding[i] - (total_padding[i]/2); pads[end_i] = (total_padding[i]/2)。
属性¶
auto_pad - 字符串 (默认为
'NOTSET'
)auto_pad 必须是 NOTSET, SAME_UPPER, SAME_LOWER 或 VALID 之一。默认值为 NOTSET,表示使用显式填充。SAME_UPPER 或 SAME_LOWER 表示填充输入,使输出空间大小与输入匹配。如果填充数为奇数,则在 SAME_UPPER 的末尾和 SAME_LOWER 的开头添加额外的填充。VALID 表示没有填充。
扩张率 - 整数列表 :
滤波器沿每个空间轴的扩张值。
组 - 整数 (默认为
'1'
)输入通道和输出通道被分成的组数。
卷积核形状 - 整数列表 :
卷积核的形状。如果不存在,应从输入 W 推断。
输出填充 - 整数列表 :
添加到输出一侧的零填充。在某些框架中,这也称为 adjs/adjustment。
输出形状 - 整数列表 :
输出的形状可以显式设置,这将导致 pads 值自动生成。如果指定了 output_shape,则 pads 值将被忽略。有关生成 pads 的公式,请参阅文档
填充 - 整数列表 :
沿每个空间轴开头和结尾的填充,其值可以大于或等于 0。该值表示在对应轴的开头和结尾部分添加的像素数。
pads
格式应如下所示 [x1_begin, x2_begin…x1_end, x2_end,…],其中 xi_begin 是在轴i
的开头添加的像素数,xi_end 是在轴i
的结尾添加的像素数。此属性不能与 auto_pad 属性同时使用。如果不存在,则沿每个空间轴的开头和结尾的填充默认为 0。步长 - 整数列表 :
沿每个空间轴的步长。
输入¶
2 到 3 个输入。
X (异构) - T
来自前一层的输入数据张量;大小为 (N x C x H x W),其中 N 是批量大小,C 是通道数,H 和 W 是高度和宽度。请注意,这是针对二维图像的情况。否则,大小为 (N x C x D1 x D2 … x Dn)
W (异构) - T
将用于卷积的权重张量;大小为 (C x M/group x kH x kW),其中 C 是通道数,kH 和 kW 是卷积核的高度和宽度,M 是特征图的数量。对于超过 2 个维度的情况,权重的形状将是 (C x M/group x k1 x k2 x … x kn),其中 (k1 x k2 x … x kn) 是卷积核的维度。输出中的通道数应等于 W.shape[1] * group(假设形状数组的索引从零开始)
B (可选,异构) - T
可选的一维偏置,将添加到卷积中,大小为 M。
输出¶
Y (异构) - T
包含卷积结果的输出数据张量。输出维度是卷积核大小、步长大小、填充长度和组数的函数。输出中的通道数应等于 W.shape[1] * group(假设形状数组的索引从零开始)
类型约束¶
T in (
tensor(double)
,tensor(float)
,tensor(float16)
)将输入和输出类型限制为浮点张量。