Conv2DTranspose 层

[源代码]

Conv2DTranspose 类

tf_keras.layers.Conv2DTranspose(
    filters,
    kernel_size,
    strides=(1, 1),
    padding="valid",
    output_padding=None,
    data_format=None,
    dilation_rate=(1, 1),
    activation=None,
    use_bias=True,
    kernel_initializer="glorot_uniform",
    bias_initializer="zeros",
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    **kwargs
)

转置卷积层（有时称为反卷积）。

转置卷积的需求通常源于希望使用与正常卷积相反方向的变换，即从具有某些卷积输出形状的东西变换到具有其输入形状的东西，同时保持与该卷积兼容的连接模式。

当将此层作为模型的第一层使用时，请提供关键字参数 input_shape（整数或 None 的元组，不包含样本轴），例如，对于 128x128 RGB 图像，在 data_format="channels_last" 时，使用 input_shape=(128, 128, 3)。

参数

• filters：整数，输出空间的维度（即卷积中的输出滤波器数量）。
• kernel_size：一个整数或包含 2 个整数的元组/列表，指定 2D 卷积窗口的高度和宽度。可以是一个整数，为所有空间维度指定相同的值。
• strides：一个整数或 2 个整数的元组/列表，指定卷积在高度和宽度方向上的步幅。可以是一个整数，为所有空间维度指定相同的值。指定任何步幅值 != 1 都与指定任何 dilation_rate 值 != 1 不兼容。
• padding："valid" 或 "same" 之一（不区分大小写）。"valid" 表示不进行填充。"same" 会在输入的左/右或上/下均匀地填充零，从而使输出具有与输入相同的宽度/高度维度。
• output_padding：一个整数或 2 个整数的元组/列表，指定输出张量在高度和宽度上的填充量。可以是一个整数，为所有空间维度指定相同的值。在给定维度上的输出填充量必须小于该维度上的步幅。如果设置为 None（默认值），则推断输出形状。
• data_format：一个字符串，值为 channels_last（默认）或 channels_first。输入中维度的顺序。channels_last 对应于形状为 (batch_size, height, width, channels) 的输入，而 channels_first 对应于形状为 (batch_size, channels, height, width) 的输入。当未指定时，使用 Keras 配置文件 ~/.keras/keras.json 中找到的 image_data_format 值（如果存在），否则默认为 'channels_last'。默认为 "channels_last"。
• dilation_rate：一个整数，指定所有空间维度的扩张率，用于扩张卷积。不支持为不同维度指定不同的扩张率。目前，指定任何 dilation_rate 值 != 1 都与指定任何步幅值 != 1 不兼容。
• activation：要使用的激活函数。如果您不指定任何内容，则不应用激活（请参阅 keras.activations）。
• use_bias：布尔值，表示该层是否使用偏置向量。
• kernel_initializer：kernel 权重矩阵的初始化器（请参阅 keras.initializers）。默认为 'glorot_uniform'。
• bias_initializer：偏置向量的初始化器（请参阅 keras.initializers）。默认为 'zeros'。
• kernel_regularizer：应用于 kernel 权重矩阵的正则化函数（请参阅 keras.regularizers）。
• bias_regularizer：应用于偏置向量的正则化函数（请参阅 keras.regularizers）。
• activity_regularizer：应用于层输出（其“激活”）的正则化函数（请参阅 keras.regularizers）。
• kernel_constraint：应用于核矩阵的约束函数（请参阅 keras.constraints）。
• bias_constraint：应用于偏置向量的约束函数（请参阅 keras.constraints）。

输入形状

4D 张量，形状为：如果 data_format='channels_first'，则为 (batch_size, channels, rows, cols)；如果 data_format='channels_last'，则为 (batch_size, rows, cols, channels)。

输出形状

4D 张量，形状为：如果 data_format='channels_first'，则为 (batch_size, filters, new_rows, new_cols)；如果 data_format='channels_last'，则为 (batch_size, new_rows, new_cols, filters)。rows 和 cols 的值可能因填充而改变。如果指定了 output_padding

new_rows = ((rows - 1) * strides[0] + kernel_size[0] - 2 * padding[0] +
output_padding[0])
new_cols = ((cols - 1) * strides[1] + kernel_size[1] - 2 * padding[1] +
output_padding[1])

返回

一个秩为 4 的张量，表示 activation(conv2dtranspose(inputs, kernel) + bias)。

引发

• ValueError：如果 padding 为 "causal"。 （"因果"）
• ValueError：当 strides > 1 且 dilation_rate > 1 时。

参考文献

• 深度学习中的卷积运算指南
  • 反卷积网络