Класс ConvTranspose1d

Класс ConvTranspose1d из модуля torch.nn предназначен для выполнения транспонированной свертки над одномерными данными. Этот слой часто используют в генеративных моделях и архитектурах типа autoencoder для увеличения разрешения признакового пространства. Первым параметром передается количество входных каналов, вторым - количество выходных каналов, третьим - размер ядра свертки. Дополнительные параметры: stride (шаг), padding (отступы), output_padding (добавочный отступ на выходе), dilation (расширение ядра), groups (группировка) и bias (смещение).

Синтаксис

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')

Основные параметры

Рассмотрим ключевые параметры класса ConvTranspose1d:

in_channels - количество входных каналов
out_channels - количество выходных каналов
kernel_size - размер ядра свертки
stride - шаг свертки (по умолчанию 1)
padding - отступы, добавляемые к входным данным (по умолчанию 0)
output_padding - дополнительный отступ, добавляемый к выходным данным (по умолчанию 0)
bias - флаг использования смещения (по умолчанию True)

Пример

Создадим слой транспонированной свертки для увеличения размерности с 3 до 16 каналов и ядром размера 4:

import torch

conv_trans = torch.nn.ConvTranspose1d(3, 16, 4)
print(conv_trans)

Результат выполнения кода:

ConvTranspose1d(3, 16, kernel_size=(4,), stride=(1,))

Пример

Применим слой к случайному тензору размера (batch_size, channels, length). Входной тензор имеет размер (1, 3, 10), а после слоя размер увеличивается до (1, 16, 13) согласно формуле:

import torch

torch.manual_seed(0)
t = torch.randn(1, 3, 10)
conv_trans = torch.nn.ConvTranspose1d(3, 16, 4)
res = conv_trans(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 16, 13])

Пример с параметрами stride и padding

Изменим шаг и отступы, чтобы управлять размером выходного тензора. При stride=2 и padding=1 выходная длина вычисляется как (input_length - 1) * stride - 2 * padding + kernel_size + output_padding:

import torch

torch.manual_seed(0)
t = torch.randn(1, 3, 10)
conv_trans = torch.nn.ConvTranspose1d(3, 16, 4, stride=2, padding=1)
res = conv_trans(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 16, 21])

Пример использования в нейронной сети

Включим ConvTranspose1d в последовательную модель для увеличения размерности данных:

import torch

model = torch.nn.Sequential(
	torch.nn.ConvTranspose1d(3, 64, 4, stride=2),
	torch.nn.ReLU(),
	torch.nn.ConvTranspose1d(64, 32, 4, stride=2),
	torch.nn.ReLU(),
	torch.nn.ConvTranspose1d(32, 1, 4, stride=2)
)
torch.manual_seed(0)
t = torch.randn(1, 3, 10)
res = model(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 1, 82])

Смотрите также

класс Conv1d,
который выполняет обычную одномерную свертку для уменьшения размерности
класс ConvTranspose2d,
который выполняет транспонированную двумерную свертку для изображений
класс ConvTranspose3d,
который выполняет транспонированную трехмерную свертку для объемных данных
класс Upsample,
который выполняет простое увеличение разрешения без обучаемых параметров