Conv2DTranspose 層

[原始碼]

Conv2DTranspose 類別

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
)

轉置卷積層（有時稱為反卷積）。

對轉置卷積的需求通常源於希望使用與一般卷積相反方向的轉換，也就是說，從具有某些卷積輸出的形狀轉換為具有其輸入形狀的同時，保持與該卷積相容的連接模式。

當使用此層作為模型中的第一層時，請提供關鍵字參數 input_shape（整數或 None 的元組，不包括樣本軸），例如，針對 data_format="channels_last" 中 128x128 RGB 圖片，input_shape=(128, 128, 3)。

參數

• filters：整數，輸出空間的維度（即卷積中的輸出濾波器數量）。
• kernel_size：一個整數或 2 個整數的元組/列表，指定 2D 卷積視窗的高度和寬度。可以使用單個整數來為所有空間維度指定相同的值。
• strides：一個整數或 2 個整數的元組/列表，指定沿高度和寬度的卷積步幅。可以使用單個整數來為所有空間維度指定相同的值。指定任何步幅值 != 1 與指定任何 dilation_rate 值 != 1 不相容。
• padding："valid" 或 "same" 其中之一（不區分大小寫）。"valid" 表示不填充。"same" 會將零均勻地填充到輸入的左/右或上/下，以便輸出具有與輸入相同的高度/寬度維度。
• output_padding：一個整數或 2 個整數的元組/列表，指定沿輸出張量的高度和寬度的填充量。可以使用單個整數來為所有空間維度指定相同的值。沿給定維度的輸出填充量必須低於沿同一維度的步幅。如果設定為 None（預設值），則會推斷輸出形狀。
• data_format：字串，channels_last（預設值）或 channels_first 其中之一。輸入中維度的順序。channels_last 對應於形狀為 (batch_size, height, width, channels) 的輸入，而 channels_first 對應於形狀為 (batch_size, channels, height, width) 的輸入。如果未指定，則會使用在您的 Keras 設定檔 ~/.keras/keras.json 中找到的 image_data_format 值（如果存在），否則使用 'channels_last'。預設值為 "channels_last"。
• dilation_rate：一個整數，指定擴張卷積的所有空間維度的擴張率。不支援為不同維度指定不同的擴張率。目前，指定任何 dilation_rate 值 != 1 與指定任何步幅值 != 1 不相容。
• activation：要使用的啟動函數。如果沒有指定任何內容，則不會應用啟動函數（請參閱 keras.activations）。
• use_bias：布林值，表示層是否使用偏差向量。
• kernel_initializer：用於 kernel 權重矩陣的初始化器（請參閱 keras.initializers）。預設值為 'glorot_uniform'。
• bias_initializer：用於偏差向量的初始化器（請參閱 keras.initializers）。預設值為 'zeros'。
• kernel_regularizer：應用於 kernel 權重矩陣的正規化函數（請參閱 keras.regularizers）。
• bias_regularizer：應用於偏差向量的正規化函數（請參閱 keras.regularizers）。
• activity_regularizer：應用於圖層輸出（即其「啟動」）的正規化函數（請參閱 keras.regularizers）。
• kernel_constraint：應用於核矩陣的約束函數（請參閱 keras.constraints）。
• bias_constraint：應用於偏差向量的約束函數（請參閱 keras.constraints）。

輸入形狀

如果 data_format='channels_first'，則為形狀為 (batch_size, channels, rows, cols) 的 4D 張量；如果 data_format='channels_last'，則為形狀為 (batch_size, rows, cols, channels) 的 4D 張量。

輸出形狀

如果 data_format='channels_first'，則為形狀為 (batch_size, filters, new_rows, new_cols) 的 4D 張量；如果 data_format='channels_last'，則為形狀為 (batch_size, new_rows, new_cols, filters) 的 4D 張量。rows 和 cols 的值可能會因為填充而改變。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])

傳回

代表 activation(conv2dtranspose(inputs, kernel) + bias) 的 4 階張量。

觸發

• ValueError：如果 padding 為 "causal"。
• ValueError：當 strides > 1 且 dilation_rate > 1 時。

參考資料

• 深度學習卷積算術指南
  • 反卷積網路