进口torch.nn。功能和F
进口火炬。神经网络是神经网络
<>强F。upsample(输入、大?没有scale_factor=None,模式=白罱?align_corners=None)
" r " Upsamples要么给定的输入:attr:“大小”或给定的
:attr:“scale_factor”
该算法用于upsampling取决于:attr:“模式”。
目前时间、空间和体积upsampling支持,即。
预期的输入3 d、4 d或5 d的形状。
输入维度解读的形式:
“mini-batch x频道(可选的深度)x(高度可选)宽度的。
upsampling可用的模式是:“最近”,“线性”(3 d),
双线性(4 d),“三线的”(5 d)
参数:
输入(张量):输入张量
大小(int或元组(int)或元组(int, int)或元组(int, int, int)):
输出空间的大小。
scale_factor (int):乘法器的空间大小。必须是一个整数。
模式(字符串)算法用于upsampling:
“最近”|“线性”|“双线性”|“三线的”。默认值:“最近”
align_corners (bool,可选):如果这是真的,角落里输入的像素
张量和输出是一致的,因此保留值
这些像素。这>
”“”
参数:
in_channels (int)——输入的频道形象
out_channels (int)数目的信道产生的卷积
kernel_size (int或元组)-卷积核的大小
步(int或元组,可选)——卷积的步伐。默认值:1
填充(int或元组,可选)——kernel_size 1 -填充补零双方将被添加到每个维度的输入。默认值:0
output_padding (int或元组,可选)——附加尺寸添加到alt=" pytorch中的上采样以及各种反操作,求逆操作详解">
调用:
def向前(自我、输入指标,output_size=None):
返回F。max_unpool2d(输入、指数、自我。kernel_size self.stride,
自我。填充,output_size)
" r "计算的部分逆:类:“MaxPool2d”。
类:“MaxPool2d”不完全可逆的,自非值丢失。
类:“MaxUnpool2d”以在作为输入的输出:类:“MaxPool2d”
包括指数最大的值和计算部分逆
所有非值设置为0。
. .注意::“MaxPool2d”可以映射几个输入大小相同的输出大小。
因此,反演过程可以得到模棱两可的。
为了适应这一点,您可以提供所需的输出大小
作为一个额外的参数“output_size”电话。
请参阅下面的输入和例子。
参数:
kernel_size (int或元组):马克斯池窗口的大小。
步(int或元组):马克斯池窗口的步伐。
它被设置为“kernel_size默认' '。
填充(int或元组):添加到输入填充
输入:
——“输入”:输入张量转化
——“指数”:由“MaxPool2d”给出的指标
——“output_size”(可选):“火炬。大小的指定目标输出大小
形状:
——输入::数学:' (N、C、H_ {}, W_ {})”
——输出::数学:' (N、C、H_ {}, W_ {})”
计算公式:见下面
例如:见下面
”“”
之前
见上面的用法一致。
def max_unpool2d(输入、指数kernel_size跨步=None,填充=0,
output_size=None):
" r "计算的部分逆:类:“MaxPool2d”。
看到:类:“~ torch.nn。MaxUnpool2d的细节。
”“”
通过
以上这篇pytorch中的上采样以及各种反操作,求逆操作详解就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
