Класс ConvTranspose3d

Класс ConvTranspose3d применяет трехмерную транспонированную свертку к входному тензору. Также этот слой называют деконволюцией или обратной сверткой. Он используется для увеличения пространственного разрешения данных, например, в генеративных моделях и сегментации изображений. Первым параметром передается количество входных каналов, вторым - количество выходных каналов, третьим - размер ядра свертки.

Синтаксис

torch.nn.ConvTranspose3d(
	in_channels,
	out_channels,
	kernel_size,
	stride=1,
	padding=0,
	output_padding=0,
	dilation=1,
	groups=1,
	bias=True,
	padding_mode='zeros',
)

Пример

Давайте создадим слой ConvTranspose3d с одним входным каналом, одним выходным каналом и ядром размера 3 и применим его к тензору размером 1x1x1x1x1:

import torch

t = torch.randn(1, 1, 1, 1, 1)
layer = torch.nn.ConvTranspose3d(1, 1, 3)
res = layer(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 1, 3, 3, 3])

Выходной тензор имеет размеры: 1 образец, 1 канал и пространственные размеры 3x3x3. Это произошло потому, что ядро размера 3 увеличило пространственные размеры до 3.

Пример

Теперь давайте рассмотрим пример с шагом 2 и выходным дополнением. Создадим слой с ядром 3 и шагом 2, а затем применим его к тензору размера 1x1x2x2x2:

import torch

t = torch.randn(1, 1, 2, 2, 2)
layer = torch.nn.ConvTranspose3d(
	in_channels=1,
	out_channels=1,
	kernel_size=3,
	stride=2,
	output_padding=1,
)
res = layer(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 1, 5, 5, 5])

Выходной размер вычисляется по формуле: (output - 1) * stride - 2 * padding + kernel_size + output_padding. При входном размере 2, шаге 2, ядре 3 и выходном дополнении 1 получается размер 5.

Пример

Рассмотрим пример с несколькими входными и выходными каналами. Создадим слой с 3 входными каналами и 5 выходными каналами, применим его к тензору размером 1x3x4x4x4:

import torch

t = torch.randn(1, 3, 4, 4, 4)
layer = torch.nn.ConvTranspose3d(
	in_channels=3,
	out_channels=5,
	kernel_size=2,
	stride=2,
	padding=0,
)
res = layer(t)
print(res.shape)

Результат выполнения кода:

torch.Size([1, 5, 8, 8, 8])

Выходной тензор имеет 5 каналов (количество выходных каналов) и увеличенные пространственные размеры с 4 до 8.

Пример

Давайте посмотрим на параметры слоя ConvTranspose3d. Создадим слой и выведем его веса и смещения:

import torch

layer = torch.nn.ConvTranspose3d(2, 4, 3, bias=True)
print(layer.weight.shape)
print(layer.bias.shape)

Результат выполнения кода:

torch.Size([2, 4, 3, 3, 3])
torch.Size([4])

Вес имеет форму (входные_каналы, выходные_каналы, глубина, высота, ширина), а смещение - это одномерный тензор размером, равным количеству выходных каналов.

Смотрите также

класс Conv3d,
который выполняет обычную трехмерную свертку
класс ConvTranspose2d,
который выполняет двумерную транспонированную свертку
класс Upsample,
который выполняет апсэмплинг (увеличение разрешения) данных
класс PixelShuffle,
который изменяет размерность тензора, переставляя элементы из каналов в пространство