modify api annotation
This commit is contained in:
parent
a709a103b3
commit
3374dc3d96
|
|
@ -18,6 +18,19 @@ Containers
|
|||
mindspore.nn.CellList
|
||||
mindspore.nn.SequentialCell
|
||||
|
||||
Convolution Layers
|
||||
--------------------
|
||||
|
||||
.. cnmsplatformautosummary::
|
||||
:toctree: nn
|
||||
|
||||
mindspore.nn.Conv1d
|
||||
mindspore.nn.Conv1dTranspose
|
||||
mindspore.nn.Conv2d
|
||||
mindspore.nn.Conv2dTranspose
|
||||
mindspore.nn.Conv3d
|
||||
mindspore.nn.Conv3dTranspose
|
||||
|
||||
Gradient
|
||||
---------
|
||||
|
||||
|
|
@ -34,12 +47,18 @@ Non-linear Activations
|
|||
:toctree: nn
|
||||
|
||||
mindspore.nn.FastGelu
|
||||
mindspore.nn.HShrink
|
||||
mindspore.nn.HSigmoid
|
||||
mindspore.nn.HSwish
|
||||
mindspore.nn.LeakyReLU
|
||||
mindspore.nn.LogSigmoid
|
||||
mindspore.nn.LogSoftmax
|
||||
mindspore.nn.ReLU
|
||||
mindspore.nn.ELU
|
||||
mindspore.nn.GELU
|
||||
mindspore.nn.Sigmoid
|
||||
mindspore.nn.Softmax
|
||||
mindspore.nn.Tanh
|
||||
|
||||
Utilities
|
||||
---------
|
||||
|
|
@ -56,6 +75,9 @@ Loss Functions
|
|||
.. cnmsplatformautosummary::
|
||||
:toctree: nn
|
||||
|
||||
mindspore.nn.L1Loss
|
||||
mindspore.nn.MAELoss
|
||||
mindspore.nn.MSELoss
|
||||
mindspore.nn.SmoothL1Loss
|
||||
|
||||
Optimizer Functions
|
||||
|
|
|
|||
|
|
@ -0,0 +1,66 @@
|
|||
mindspore.nn.Conv1d
|
||||
======================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros')
|
||||
|
||||
一维卷积层。
|
||||
|
||||
在输入Tensor上应用一维卷积，该Tensor的shape通常为 :math:`(N, C_{in}, W_{in})` ，其中 :math:`N` 是batch size， :math:`C_{in}` 是通道数。
|
||||
对于每个batch中的Tensor，其shape为 :math:`(C_{in}, W_{in})` ，公式定义为：
|
||||
|
||||
.. math::
|
||||
|
||||
out_j = \sum_{i=0}^{C_{in} - 1} ccor(W_{ij}, X_i) + b_j,
|
||||
|
||||
其中， :math:`ccor` 为互关联算子， :math:`C_{in}` 为输入通道数， :math:`j` 的范围从 :math:`0` 到 :math:`C_{out} - 1` ， :math:`W_{ij}` 对应第 :math:`j` 个过滤器的第 :math:`i` 个通道， :math:`out_{j}` 对应输出的第 :math:`j` 个通道。
|
||||
:math:`W_{ij}`是kernel的切片，它的shape为 :math:`(\text{ks_w})` ，其中 :math:`\text{ks_w}` 是卷积核的宽度。
|
||||
完整kernel的shape为 :math:`(C_{out}, C_{in} // \text{group}, \text{ks_w})` ，其中group是在通道维度上分割输入 `x` 的组数。
|
||||
如果'pad_mode'设置为"valid"，则输出宽度将为 :math:`\left \lfloor{1 + \frac{W_{in} + 2 \times \text{padding} - \text{ks_w} - (\text{ks_w} - 1) \times (\text{dilation} - 1) }{\text{stride}}} \right \rfloor` 。
|
||||
论文 `Gradient Based Learning Applied to Document Recognition <http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf>`_ 首次提出卷积层。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **in_channels** (int) - 输入通道数 :math:`C_{in}` 。
|
||||
- **out_channels** (int) - 输出通道数 :math:`C_{out}` 。
|
||||
- **kernel_size** (int) - 指定一维卷积核的宽度。
|
||||
- **stride** (int) - 步长大小，表示移到宽度。默认值：1。
|
||||
- **pad_mode** (str) - 指定填充模式。可选值为"same"、"valid"、"pad"。默认值："same"。
|
||||
|
||||
- same：采用补全方式。输出的宽度与输入 `x` 一致。填充总数将在水平上进行计算。并尽可能均匀分布到左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的宽度的输出。多余的像素会被丢弃。如果设置此模式，则 `padding` 必须为0。
|
||||
- pad：输入 `x` 两侧的隐式填充。 `padding` 的数量将填充到输入Tensor边框上。 `padding` 必须大于或等于0。
|
||||
|
||||
- **padding** (int) - 输入 `x` 两侧的隐式填充。默认值：0。
|
||||
- **dilation** (int) - 指定用于扩张卷积的扩张速率。如果设置为 :math:`k > 1` ，则每个采样位置都跳过 :math:`k - 1` 个像素。其值必须大于或等于1，并以输入 `x` 的宽度为界。默认值：1。
|
||||
- **group** (int) - 将过滤器拆分为组， `in_ channels` 和 `out_channels` 必须可被组数整除。默认值：1。
|
||||
- **has_bias** (bool) - 指定图层是否使用偏置矢量。默认值：False。
|
||||
- **weight_init** (Union[Tensor, str, Initializer, numbers.Number]) - 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (Union[Tensor, str, Initializer, numbers.Number]) - 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, W_{in})` 的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为:math:`(N, C_{out}, W_{out})`。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `in_channels` 、 `out_channels` 、 `kernel_size` 、 `stride` 、 `padding` 或 `dilation` 不是int。
|
||||
- **ValueError** - `in_channels` 、 `out_channels` 、 `kernel_size` 、 `stride` 或 `dilation` 小于1。
|
||||
- **ValueError** - `padding` 小于0。
|
||||
- **ValueError** - `pad_mode` 不是'same'，'valid'，或'pad'。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> net = nn.Conv1d(120, 240, 4, has_bias=False, weight_init='normal')
|
||||
>>> x = Tensor(np.ones([1, 120, 640]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 240, 640)
|
||||
|
||||
|
|
@ -1,65 +0,0 @@
|
|||
Class mindspore.nn.Conv1d(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros')
|
||||
|
||||
一维卷积层。
|
||||
|
||||
在输入Tensor上应用一维卷积，该Tensor的shape通常为:math:`(N, C_{in}, W_{in})`，其中:math:`N`是batch size，:math:`C_{in}`是通道数。
|
||||
对于每个batch中的Tensor，其shape为 :math:`(C_{in}, W_{in})`，公式定义为：
|
||||
|
||||
.. math::
|
||||
|
||||
out_j = \sum_{i=0}^{C_{in} - 1} ccor(W_{ij}, X_i) + b_j,
|
||||
|
||||
其中，:math:`ccor`为互关联算子，:math:`C_{in}`为输入通道数，:math:`j`的范围从:math:`0`到:math:`C_{out} - 1`，:math:`W_{ij}`对应第:math:`j`个过滤器的第:math:`i`个通道，:math:`out_{j}`对应输出的第:math:`j`个通道。
|
||||
|
||||
:math:`W_{ij}`是kernel的切片，它的shape为:math:`(\text{ks_w})`，其中:math:`\text{ks_w}`是卷积核的宽度。
|
||||
|
||||
完整kernel的shape为:math:`(C_{out}, C_{in} // \text{group}, \text{ks_w})`，其中group是在通道维度上分割输入 `x` 的组数。
|
||||
|
||||
|
||||
如果'pad_mode'设置为"valid"，则输出宽度将为:math:`\left \lfloor{1 + \frac{W_{in} + 2 \times \text{padding} - \text{ks_w} - (\text{ks_w} - 1) \times (\text{dilation} - 1) }{\text{stride}}} \right \rfloor`。
|
||||
|
||||
|
||||
|
||||
论文`Gradient Based Learning Applied to Document Recognition <http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf>`_ 首次提出卷积层。
|
||||
|
||||
|
||||
参数：
|
||||
in_channels (int)：输入通道数 :math:`C_{in}`。
|
||||
out_channels (int)：输出通道数 :math:`C_{out}`。
|
||||
kernel_size (int)：指定一维卷积核的宽度。
|
||||
stride (int)：步长大小，表示移到宽度。默认值：1。
|
||||
pad_mode (str)：指定填充模式。可选值为"same"、"valid"、"pad"。默认值："same"。
|
||||
|
||||
- same：采用补全方式。输出的宽度与输入 `x` 一致。填充总数将在水平上进行计算。并尽可能均匀分布到左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的宽度的输出。多余的像素会被丢弃。如果设置此模式，则`padding`必须为0。
|
||||
- pad：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||||
|
||||
padding (int)：输入`x`两侧的隐式填充。默认值：0。
|
||||
dilation (int)：指定用于扩张卷积的扩张速率。如果设置为:math:`k > 1`，则每个采样位置都跳过:math:`k - 1`个像素。其值必须大于或等于1，并以输入`x`的宽度为界。默认值：1。
|
||||
group (int)：将过滤器拆分为组，`in_ channels`和`out_channels`必须可被组数整除。默认值：1。
|
||||
has_bias (bool)：指定图层是否使用偏置矢量。默认值：False。
|
||||
weight_init (Union[Tensor, str, Initializer, numbers.Number])：卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
bias_init (Union[Tensor, str, Initializer, numbers.Number])：偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：shape为:math:`(N, C_{in}, W_{in})`的Tensor。
|
||||
|
||||
输出：
|
||||
Tensor，shape为:math:`(N, C_{out}, W_{out})`。
|
||||
|
||||
异常：
|
||||
TypeError：`in_channels`、`out_channels`、`kernel_size`、`stride`、`padding`或`dilation`不是int。
|
||||
ValueError：`in_channels`、`out_channels`、`kernel_size`、`stride`或`dilation`小于1。
|
||||
ValueError：`padding`小于0。
|
||||
ValueError：`pad_mode`不是'same'，'valid'，或'pad'。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
样例：
|
||||
>>> net = nn.Conv1d(120, 240, 4, has_bias=False, weight_init='normal')
|
||||
>>> x = Tensor(np.ones([1, 120, 640]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 240, 640)
|
||||
|
||||
|
|
@ -0,0 +1,72 @@
|
|||
mindspore.nn.Conv1dTranspose
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv1dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros')
|
||||
|
||||
一维转置卷积层。
|
||||
计算一维转置卷积，也称为反卷积（实际不是真正的反卷积）。
|
||||
该算子可以看成Conv1d相对于其输入的梯度。
|
||||
`x` 的shape通常是 :math:`(N, C, W)` ，其中 :math:`N` 是batch size， :math:`C` 是通道数， :math:`W` 是特征长度。
|
||||
对输入填充 :math:`dilation * (kernel\_size - 1) - padding` 个零。
|
||||
因此，当Conv1d和ConvTranspose1d使用相同的参数初始化时，它们的输入和输出shape是互逆的。
|
||||
但是，当stride>1时，Conv1d将多个输入的shape映射到同一个输出shape。
|
||||
|
||||
输出宽度定义如下：
|
||||
|
||||
.. math::
|
||||
W_{out} = \begin{cases}
|
||||
(W_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times
|
||||
(\text{ks_w} - 1) + 1, & \text{if pad_mode='pad'}\\
|
||||
(W_{in} + \text{stride} - 1)/\text{stride}, & \text{if pad_mode='same'}\\
|
||||
(W_{in} - 1) \times \text{stride} + \text{dilation} \times
|
||||
(\text{ks_w} - 1) + 1, & \text{if pad_mode='valid'}
|
||||
\end{cases}
|
||||
|
||||
其中 :math:`\text{ks_w}` 是卷积核的宽度。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **in_channels** (int) - 输入的通道数。
|
||||
- **out_channels** (int) - 输出的通道数。
|
||||
- **kernel_size** (int) - 指定一维卷积窗口的宽度。
|
||||
- **stride** (int) - 步长大小，表示移到宽度。默认值：1。
|
||||
- **pad_mode** (str) - 选择填充模式。可选值为"pad"，"same"，"valid"。默认值："same"。
|
||||
|
||||
- same：采用补全方式。输出的宽度与输入 `x` 一致。填充总数将在水平上进行计算。并尽可能均匀分布到左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式， `padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的宽度的输出。多余的像素会被丢弃。如果设置此模式，则 `padding` 必须为0。
|
||||
- pad：输入 `x` 两侧的隐式填充。 `padding` 的数量将填充到输入Tensor边框上。 `padding` 必须大于或等于0。
|
||||
|
||||
- **padding** (int) - 输入`x`两侧的隐式填充。默认值：0。
|
||||
- **dilation** (int) - 指定用于扩张卷积的扩张速率。如果设置为 :math:`k > 1` ，则每个采样位置都跳过 :math:`k - 1` 个像素。其值必须大于或等于1，并以输入 `x` 的宽度为界。默认值：1。
|
||||
- **group** (int) - 将过滤器拆分为组， `in_ channels` 和 `out_channels` 必须可被组数整除。当组数>1时，不支持Davinci设备。默认值：1。
|
||||
- **has_bias** (bool) - 指定图层是否使用偏置矢量。默认值：False。
|
||||
- **weight_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, W_{in})` 的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, W_{out})` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `in_channels` 、 `out_channels` 、 `kernel_size` 、 `stride` 、 `padding`或 `dilation` 不是int。
|
||||
- **ValueError** - `in_channels` 、 `out_channels` 、 `kernel_size` 、 `stride` 或 `dilation` 小于1。
|
||||
- **ValueError** - `padding` 小于0。
|
||||
- **ValueError** - `pad_mode` 不是'same'，'valid'，或'pad'。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> net = nn.Conv1dTranspose(3, 64, 4, has_bias=False, weight_init='normal', pad_mode='pad')
|
||||
>>> x = Tensor(np.ones([1, 3, 50]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 64, 53)
|
||||
|
||||
|
|
@ -1,69 +0,0 @@
|
|||
Class mindspore.nn.Conv1dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros')
|
||||
|
||||
一维转置卷积层。
|
||||
|
||||
计算一维转置卷积，也称为反卷积（实际不是真正的反卷积）。
|
||||
|
||||
该算子可以看成Conv1d相对于其输入的梯度。
|
||||
|
||||
`x`的shape通常是:math:`(N, C, W)`，其中:math:`N`是batch size，:math:`C`是通道数，:math:`W`是特征长度。
|
||||
|
||||
对输入填充:math:`dilation * (kernel\_size - 1) - padding`个零。
|
||||
因此，当Conv1d和ConvTranspose1d使用相同的参数初始化时，它们的输入和输出shape是互逆的。
|
||||
但是，当stride>1时，Conv1d将多个输入的shape映射到同一个输出shape。
|
||||
|
||||
|
||||
输出宽度定义如下：
|
||||
|
||||
.. math::
|
||||
|
||||
W_{out} = \begin{cases}
|
||||
(W_{in} - 1) \times \text{stride} - 2 \times \text{padding} + \text{dilation} \times
|
||||
(\text{ks_w} - 1) + 1, & \text{if pad_mode='pad'}\\
|
||||
(W_{in} + \text{stride} - 1)/\text{stride}, & \text{if pad_mode='same'}\\
|
||||
(W_{in} - 1) \times \text{stride} + \text{dilation} \times
|
||||
(\text{ks_w} - 1) + 1, & \text{if pad_mode='valid'}
|
||||
\end{cases}
|
||||
|
||||
其中:math:`\text{ks_w}`是卷积核的宽度。
|
||||
|
||||
参数：
|
||||
in_channels (int)：输入的通道数。
|
||||
out_channels (int)：输出的通道数。
|
||||
kernel_size (int)：指定一维卷积窗口的宽度。
|
||||
stride (int)：步长大小，表示移到宽度。默认值：1。
|
||||
pad_mode (str)：选择填充模式。可选值为"pad"，"same"，"valid"。默认值："same"。
|
||||
|
||||
- same：采用补全方式。输出的宽度与输入 `x` 一致。填充总数将在水平上进行计算。并尽可能均匀分布到左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的宽度的输出。多余的像素会被丢弃。如果设置此模式，则`padding`必须为0。
|
||||
- pad：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||||
|
||||
padding (int)：输入`x`两侧的隐式填充。默认值：0。
|
||||
dilation (int)：指定用于扩张卷积的扩张速率。如果设置为:math:`k > 1`，则每个采样位置都跳过:math:`k - 1`个像素。其值必须大于或等于1，并以输入`x`的宽度为界。默认值：1。
|
||||
group (int)：将过滤器拆分为组，`in_ channels`和`out_channels`必须可被组数整除。当组数>1时，不支持Davinci设备。默认值：1。
|
||||
has_bias (bool)：指定图层是否使用偏置矢量。默认值：False。
|
||||
weight_init： (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
bias_init： (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：shape为:math:`(N, C_{in}, W_{in})`的Tensor。
|
||||
|
||||
输出：
|
||||
Tensor，shape为:math:`(N, C_{out}, W_{out})`。
|
||||
|
||||
异常：
|
||||
TypeError：`in_channels`、`out_channels`、`kernel_size`、`stride`、`padding`或`dilation`不是int。
|
||||
ValueError：`in_channels`、`out_channels`、`kernel_size`、`stride`或`dilation`小于1。
|
||||
ValueError：`padding`小于0。
|
||||
ValueError：`pad_mode`不是'same'，'valid'，或'pad'。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> net = nn.Conv1dTranspose(3, 64, 4, has_bias=False, weight_init='normal', pad_mode='pad')
|
||||
>>> x = Tensor(np.ones([1, 3, 50]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 64, 53)
|
||||
|
||||
|
|
@ -0,0 +1,70 @@
|
|||
mindspore.nn.Conv3d
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv3d(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros', data_format='NCDHW')
|
||||
|
||||
三维卷积层。
|
||||
|
||||
在输入Tensor上应用三维卷积，该Tensor的shape通常为 :math:`(N, C_{in}, D_{in}, H_{in}, W_{in})` ，输出shape为 :math:`(N, C_{out}, D_{out}, H_{out}, W_{out})` ，其中 :math:`N` 是batch size， :math:`C` 是通道数。公式定义如下：
|
||||
|
||||
.. math::
|
||||
|
||||
\operatorname{out}\left(N_{i}, C_{\text {out}_j}\right)=\operatorname{bias}\left(C_{\text {out}_j}\right)+
|
||||
\sum_{k=0}^{C_{in}-1} ccor(\text {weight}\left(C_{\text {out}_j}, k\right),
|
||||
\operatorname{input}\left(N_{i}, k\right))
|
||||
|
||||
其中 :math:`corr` 是互关联算子。
|
||||
|
||||
如果'pad_mode'设置为"valid"，则输出深度、高度和宽度将分别为 :math:`\left \lfloor{1 + \frac{D_{in} + \text{padding[0]} + \text{padding[1]} - \text{kernel_size[0]} - (\text{kernel_size[0]} - 1) \times (\text{dilation[0]} - 1) }{\text{stride[0]}}} \right \rfloor` 、 :math:`\left \lfloor{1 + \frac{H_{in} + \text{padding[2]} + \text{padding[3]} - \text{kernel_size[1]} - (\text{kernel_size[1]} - 1) \times (\text{dilation[1]} - 1) }{\text{stride[1]}}} \right \rfloor` 和 :math:`\left \lfloor{1 + \frac{W_{in} + \text{padding[4]} + \text{padding[5]} - \text{kernel_size[2]} - (\text{kernel_size[2]} - 1) \times (\text{dilation[2]} - 1) }{\text{stride[2]}}} \right \rfloor` 。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **in_channels** (int) - 输入通道数 :math:`C_{in}` 。
|
||||
- **out_channels** (int) - 输出通道数 :math:`C_{out}` 。
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定三维卷积窗口的深度、高度和宽度。数据类型为int或包含3个整数的tuple。一个整数表示卷积核的深度、高度和宽度均为该值该值。包含3个整数的tuple分别表示卷积核的深度、高度和宽度。
|
||||
- **stride** (Union[int, tuple[int]]) - 步长大小。数据类型为整型或3个整型的tuple。一个整数表示在深度、高度和宽度方向的滑动步长均为该值。3个整数的tuple分别表示在深度、高度和宽度方向的滑动步长。默认值：1。
|
||||
- **pad_mode** (str) - 指定填充模式。可选值为“same”，“valid”，“pad”。默认值：“same”。
|
||||
|
||||
- same：采用补全方式。输出的深度、高度和宽度与输入 `x` 一致。填充总数将在深度、水平和垂直方向进行计算。并尽可能均匀分布到头部、尾部、顶部、底部、左侧和右侧。否则，最后一次将从尾部、底部和右侧进行额外的填充。若设置该模式， `padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的深度、高度和宽度的输出。多余的像素会被丢弃。若设置该模式， `padding` 必须为0。
|
||||
- pad：输入 `x` 两侧的隐式填充。 `padding` 的数量将填充到输入Tensor边框上。 `padding` 必须大于或等于0。
|
||||
|
||||
- **padding** (Union(int, tuple[int])) - 输入 `x` 两侧的隐式填充。数据类型为int或包含6个整数的tuple。如果 `padding` 是一个整数，则头部、尾部、顶部，底部，左边和右边的填充都等于 `padding` 。如果 `padding` 是6个整数的tuple，则头部、尾部、顶部、底部、左边和右边的填充分别等于填充padding[0]、padding[1]、padding[2]、padding[3]、padding[4]和padding[5]。默认值：0。
|
||||
- **dilation** (Union[int, tuple[int]]) - 指定用于扩张卷积的扩张速率。数据类型为int或3个整数的tuple。 :math:`(dilation_d, dilation_h, dilation_w)`。目前，深度扩张仅支持1个用例的情况。如果设置为 :math:`k > 1` ，则每个采样位置都跳过 :math:`k - 1` 个像素。其值必须大于或等于1，并以输入 `x` 的深度、高度和宽度为界。默认值：1。
|
||||
- **group** (int) - 将过滤器拆分为组， `in_ channels` 和 `out_channels` 必须可被组数整除。默认值：1。当前仅支持1个。
|
||||
- **has_bias** (bool) - 指定图层是否使用偏置矢量。默认值：False。
|
||||
- **weight_init** (Union[Tensor, str, Initializer, numbers.Number]) - 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (Union[Tensor, str, Initializer, numbers.Number]) - 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
- **data_format** (str) - 数据格式的可选值。目前仅支持'NCDHW'。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, D_{in}, H_{in}, W_{in})` 的Tensor。目前输入数据类型只支持float16和float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, D_{out}, H_{out}, W_{out})` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `in_channels` 、 `out_channels` 或 `group` 不是int。
|
||||
- **TypeError** - `kernel_size` 、 `stride` 、 `padding` 或 `dilation` 既不是int也不是tuple。
|
||||
- **ValueError** - `out_channels` 、 `kernel_size` 、 `stride` 或 `dilation` 小于1。
|
||||
- **ValueError** - `padding` 小于0。
|
||||
- **ValueError** - `pad_mode` 不是“same”，“valid”或“pad”。
|
||||
- **ValueError** - `padding` 是长度不等于6的tuple。
|
||||
- **ValueError** - `pad_mode` 不等于'pad'且 `padding` 不等于(0, 0, 0, 0, 0, 0)。
|
||||
- **ValueError** - `data_format` 不是'NCDHW'。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> x = Tensor(np.ones([16, 3, 10, 32, 32]), mindspore.float32)
|
||||
>>> conv3d = nn.Conv3d(in_channels=3, out_channels=32, kernel_size=(4, 3, 3))
|
||||
>>> output = conv3d(x)
|
||||
>>> print(output.shape)
|
||||
(16, 32, 10, 32, 32)
|
||||
|
||||
|
|
@ -1,63 +0,0 @@
|
|||
Class mindspore.nn.Conv3d(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, has_bias=False, weight_init='normal', bias_init='zeros', data_format='NCDHW')
|
||||
|
||||
三维卷积层。
|
||||
|
||||
在输入Tensor上应用三维卷积，该Tensor的shape通常为:math:`(N, C_{in}, D_{in}, H_{in}, W_{in})`，输出shape为:math:`(N, C_{out}, D_{out}, H_{out}, W_{out})`，其中:math:`N`是batch size，:math:`C`是通道数。公式定义如下：
|
||||
|
||||
.. math::
|
||||
|
||||
\operatorname{out}\left(N_{i}, C_{\text {out}_j}\right)=\operatorname{bias}\left(C_{\text {out}_j}\right)+
|
||||
\sum_{k=0}^{C_{in}-1} ccor(\text {weight}\left(C_{\text {out}_j}, k\right),
|
||||
\operatorname{input}\left(N_{i}, k\right))
|
||||
|
||||
其中 :math:`corr` 是互关联算子。
|
||||
|
||||
如果'pad_mode'设置为"valid"，则输出深度、高度和宽度将分别为:math:`\left \lfloor{1 + \frac{D_{in} + \text{padding[0]} + \text{padding[1]} - \text{kernel_size[0]} - (\text{kernel_size[0]} - 1) \times (\text{dilation[0]} - 1) }{\text{stride[0]}}} \right \rfloor`、:math:`\left \lfloor{1 + \frac{H_{in} + \text{padding[2]} + \text{padding[3]} - \text{kernel_size[1]} - (\text{kernel_size[1]} - 1) \times (\text{dilation[1]} - 1) }{\text{stride[1]}}} \right \rfloor`和:math:`\left \lfloor{1 + \frac{W_{in} + \text{padding[4]} + \text{padding[5]} - \text{kernel_size[2]} - (\text{kernel_size[2]} - 1) \times (\text{dilation[2]} - 1) }{\text{stride[2]}}} \right \rfloor`。
|
||||
|
||||
参数：
|
||||
in_channels (int)：输入通道数 :math:`C_{in}`。
|
||||
out_channels (int)：输出通道数 :math:`C_{out}`。
|
||||
kernel_size (Union[int, tuple[int]])：指定三维卷积窗口的深度、高度和宽度。数据类型为int或包含3个整数的tuple。一个整数表示卷积核的深度、高度和宽度均为该值该值。包含3个整数的tuple分别表示卷积核的深度、高度和宽度。
|
||||
stride (Union[int, tuple[int]])：步长大小。数据类型为整型或3个整型的tuple。一个整数表示在深度、高度和宽度方向的滑动步长均为该值。3个整数的tuple分别表示在深度、高度和宽度方向的滑动步长。默认值：1。
|
||||
pad_mode (str)：指定填充模式。可选值为“same”，“valid”，“pad”。默认值：“same”。
|
||||
|
||||
- same：采用补全方式。输出的深度、高度和宽度与输入 `x` 一致。填充总数将在深度、水平和垂直方向进行计算。并尽可能均匀分布到头部、尾部、顶部、底部、左侧和右侧。否则，最后一次将从尾部、底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的深度、高度和宽度的输出。多余的像素会被丢弃。若设置该模式，`padding` 必须为0。
|
||||
- pad：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||||
|
||||
padding (Union(int, tuple[int]))：输入`x`两侧的隐式填充。数据类型为int或包含6个整数的tuple。如果`padding`是一个整数，则头部、尾部、顶部，底部，左边和右边的填充都等于 `padding`。如果`padding`是6个整数的tuple，则头部、尾部、顶部、底部、左边和右边的填充分别等于填充padding[0]、padding[1]、padding[2]、padding[3]、padding[4]和padding[5]。默认值：0。
|
||||
dilation (Union[int, tuple[int]])：指定用于扩张卷积的扩张速率。数据类型为int或3个整数的tuple: math:`(dilation_d, dilation_h, dilation_w)`。
|
||||
目前，深度扩张仅支持1个用例的情况。如果设置为:math:`k > 1`，则每个采样位置都跳过:math:`k - 1`个像素。其值必须大于或等于1，并以输入`x`的深度、高度和宽度为界。默认值：1。
|
||||
group (int)：将过滤器拆分为组，`in_ channels`和`out_channels`必须可被组数整除。默认值：1。当前仅支持1个。
|
||||
has_bias (bool)：指定图层是否使用偏置矢量。默认值：False。
|
||||
weight_init (Union[Tensor, str, Initializer, numbers.Number])：卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
bias_init (Union[Tensor, str, Initializer, numbers.Number])：偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
data_format (str)：数据格式的可选值。目前仅支持'NCDHW'。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：shape为:math:`(N, C_{in}, D_{in}, H_{in}, W_{in})`的Tensor。
|
||||
目前输入数据类型只支持float16和float32。
|
||||
|
||||
输出：
|
||||
Tensor，shape为:math:`(N, C_{out}, D_{out}, H_{out}, W_{out})`。
|
||||
|
||||
异常：
|
||||
TypeError：`in_channels`、`out_channels`或`group`不是int。
|
||||
TypeError：`kernel_size`、`stride`、`padding`或`dilation`既不是int也不是tuple。
|
||||
ValueError：`out_channels`、`kernel_size`、`stride`或`dilation`小于1。
|
||||
ValueError：`padding`小于0。
|
||||
ValueError：`pad_mode`不是“same”，“valid”或“pad”。
|
||||
ValueError：`padding`是长度不等于6的tuple。
|
||||
ValueError：`pad_mode`不等于'pad'且`padding`不等于(0, 0, 0, 0, 0, 0)。
|
||||
ValueError：`data_format`不是'NCDHW'。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU``
|
||||
|
||||
样例：
|
||||
>>> x = Tensor(np.ones([16, 3, 10, 32, 32]), mindspore.float32)
|
||||
>>> conv3d = nn.Conv3d(in_channels=3, out_channels=32, kernel_size=(4, 3, 3))
|
||||
>>> output = conv3d(x)
|
||||
>>> print(output.shape)
|
||||
(16, 32, 10, 32, 32)
|
||||
|
||||
|
|
@ -0,0 +1,109 @@
|
|||
mindspore.nn.Conv3dTranspose
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv3dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, output_padding=0, has_bias=False, weight_init='normal', bias_init='zeros', data_format='NCDHW')
|
||||
|
||||
三维转置卷积层。
|
||||
|
||||
计算三维转置卷积，也称为反卷积（实际不是实际的反卷积）。
|
||||
|
||||
转置卷积算子将每个输入元素乘以learnable kernel，并把所有输入特征平面的输出相加。
|
||||
|
||||
该算子可以看成Conv3d相对于其输入的梯度。
|
||||
|
||||
`x` 通常shape为 :math:`(N, C, D, H, W)` ，其中 :math:`N` 是batch size， :math:`C` 是通道数， :math:`D` 是特征层的深度， :math:`H` 是特征高度， :math:`W` 是特征层的宽度。
|
||||
|
||||
转置卷积的计算过程相当于卷积的反向计算。
|
||||
|
||||
对输入填充 :math:`dilation * (kernel\_size - 1) - padding` 个零。
|
||||
因此，当Conv3d和ConvTranspose3d使用相同的参数初始化时，它们的输入和输出shape是互逆的。
|
||||
但是，当stride>1时，Conv3d将多个输入的shape映射到同一个输出shape。
|
||||
ConvTranspose3d提供padding参数，增加一侧或多侧计算的输出shape。
|
||||
|
||||
输出的高度和宽度定义如下：
|
||||
|
||||
如果'pad_mode'设置为"pad"，
|
||||
|
||||
.. math::
|
||||
D_{out} = (D_{in} - 1) \times \text{stride_d} - 2 \times \text{padding_d} + \text{dilation_d} \times
|
||||
(\text{kernel_size_d} - 1) + \text{output_padding_d} + 1
|
||||
|
||||
H_{out} = (H_{in} - 1) \times \text{stride_h} - 2 \times \text{padding_h} + \text{dilation_h} \times
|
||||
(\text{kernel_size_h} - 1) + \text{output_padding_h} + 1
|
||||
|
||||
W_{out} = (W_{in} - 1) \times \text{stride_w} - 2 \times \text{padding_w} + \text{dilation_w} \times
|
||||
(\text{kernel_size_w} - 1) + \text{output_padding_w} + 1
|
||||
|
||||
如果'pad_mode'设置为"same"，
|
||||
|
||||
.. math::
|
||||
|
||||
D_{out} = (D_{in} + \text{stride_d} - 1)/\text{stride_d} \\
|
||||
H_{out} = (H_{in} + \text{stride_h} - 1)/\text{stride_h} \\
|
||||
W_{out} = (W_{in} + \text{stride_w} - 1)/\text{stride_w}
|
||||
|
||||
如果'pad_mode'设置为"valid"，
|
||||
|
||||
.. math::
|
||||
|
||||
D_{out} = (D_{in} - 1) \times \text{stride_d} + \text{dilation_d} \times
|
||||
(\text{kernel_size_d} - 1) + 1 \\
|
||||
H_{out} = (H_{in} - 1) \times \text{stride_h} + \text{dilation_h} \times
|
||||
(\text{kernel_size_h} - 1) + 1 \\
|
||||
W_{out} = (W_{in} - 1) \times \text{stride_w} + \text{dilation_w} \times
|
||||
(\text{kernel_size_w} - 1) + 1
|
||||
|
||||
**参数：**
|
||||
|
||||
- **in_channels** (int) - 输入通道数 :math:`C_{in}` 。
|
||||
- **out_channels** (int) - 输出通道数 :math:`C_{out}` 。
|
||||
- **kernel_size** (Union[int, tuple[int]]) - 指定三维卷积窗口的深度、高度和宽度。数据类型为int或包含3个整数的tuple。一个整数表示卷积核的深度、高度和宽度均为该值该值。包含3个整数的tuple分别表示卷积核的深度、高度和宽度。
|
||||
- **stride** (Union[int, tuple[int]]) - 步长大小。数据类型为整型或3个整型的tuple。一个整数表示在深度、高度和宽度方向的滑动步长均为该值。3个整数的tuple分别表示在深度、高度和宽度方向的滑动步长。必须大于等于1。默认值：1。
|
||||
- **pad_mode** (str) - 选择填充模式。可选值为"pad"、"same"、"valid"。默认值："same"。
|
||||
|
||||
- same：采用补全方式。输出的深度、高度和宽度与输入 `x` 一致。填充总数将在深度、水平和垂直方向进行计算。并尽可能均匀分布到头部、尾部、顶部、底部、左侧和右侧。否则，最后一次将从尾部、底部和右侧进行额外的填充。若设置该模式， `padding` 和 `output_padding` 必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的深度、高度和宽度的输出。多余的像素会被丢弃。若设置该模式， `padding` 和 `output_padding` 必须为0。
|
||||
- pad：输入 `x` 两侧的隐式填充。 `padding` 的数量将填充到输入Tensor边框上。 `padding` 必须大于或等于0。
|
||||
|
||||
- **padding** (Union(int, tuple[int])) - 待填充的padding值。数据类型为int或包含6个整数的tuple。如果 `padding` 是一个整数，则头部、尾部、顶部，底部，左边和右边的填充都等于 `padding` 。如果 `padding` 是6个整数的tuple，则头部、尾部、顶部、底部、左边和右边的填充分别等于填充padding[0]、padding[1]、padding[2]、padding[3]、padding[4]和padding[5]。默认值：0。
|
||||
- **dilation** (Union(int, tuple[int])) - 指定用于扩张卷积的扩张速率。数据类型为int或3个整数的tuple。:math:`(dilation_d, dilation_h, dilation_w)` 。目前，深度扩张仅支持1个用例的情况。如果设置为 :math:`k > 1` ，则每个采样位置都跳过 :math:`k - 1` 个像素。其值必须大于或等于1，并以输入 `x` 的深度、高度和宽度为界。默认值：1。
|
||||
- **group** (int) - 将过滤器拆分为组， `in_ channels` 和 `out_channels` 必须可被组数整除。默认值：1。当前仅支持1个。
|
||||
- **output_padding** (Union(int, tuple[int])) - 为输出的每个维度添加额外的大小。默认值：0。必须大于或等于0。
|
||||
- **has_bias** (bool) - 指定图层是否使用偏置矢量。默认值：False。
|
||||
- **weight_init** (Union[Tensor, str, Initializer, numbers.Number]) - 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (Union[Tensor, str, Initializer, numbers.Number]) - 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
- **data_format** (str) - 数据格式的可选值。目前仅支持'NCDHW'。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - shape为 :math:`(N, C_{in}, D_{in}, H_{in}, W_{in})` 的Tensor。目前输入数据类型只支持float16和float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, D_{out}, H_{out}, W_{out})` 。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU``
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `in_channels` 、 `out_channels` 或 `group` 不是int。
|
||||
- **TypeError** - `kernel_size` 、 `stride` 、 `padding` 、 `dilation` 或 `output_padding` 既不是int也不是tuple。
|
||||
- **TypeError** - 输入数据类型不是float16或float32。
|
||||
- **ValueError** - `in_channels` 、 `out_channels` 、 `kernel_size` 、 `stride` 或 `dilation` 小于1。
|
||||
- **ValueError** - `padding` 小于0。
|
||||
- **ValueError** - `pad_mode` 不是“same”，“valid”或“pad”。
|
||||
- **ValueError** - `padding` 是长度不等于6的tuple。
|
||||
- **ValueError** - `pad_mode` 不等于'pad'且 `padding` 不等于(0, 0, 0, 0, 0, 0)。
|
||||
- **ValueError** - `data_format` 不是'NCDHW'。
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> x = Tensor(np.ones([32, 16, 10, 32, 32]), mindspore.float32)
|
||||
>>> conv3d_transpose = nn.Conv3dTranspose(in_channels=16, out_channels=3, kernel_size=(4, 6, 2),
|
||||
... pad_mode='pad')
|
||||
>>> output = conv3d_transpose(x)
|
||||
>>> print(output.shape)
|
||||
(32, 3, 13, 37, 33)
|
||||
|
||||
|
|
@ -1,103 +0,0 @@
|
|||
Class mindspore.nn.Conv3dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode='same', padding=0, dilation=1, group=1, output_padding=0, has_bias=False, weight_init='normal', bias_init='zeros', data_format='NCDHW')
|
||||
|
||||
三维转置卷积层。
|
||||
|
||||
计算三维转置卷积，也称为反卷积（实际不是实际的反卷积）。
|
||||
|
||||
转置卷积算子将每个输入元素乘以learnable kernel，并把所有输入特征平面的输出相加。
|
||||
|
||||
该算子可以看成Conv3d相对于其输入的梯度。
|
||||
|
||||
`x`通常shape为:math:`(N, C, D, H, W)`，其中:math:`N`是batch size，:math:`C`是通道数，:math:`D`是特征层的深度，:math:`H`是特征高度，:math:`W`是特征层的宽度。
|
||||
|
||||
转置卷积的计算过程相当于卷积的反向计算。
|
||||
|
||||
对输入填充:math:`dilation * (kernel\_size - 1) - padding`个零。
|
||||
因此，当Conv3d和ConvTranspose3d使用相同的参数初始化时，它们的输入和输出shape是互逆的。
|
||||
但是，当stride>1时，Conv3d将多个输入的shape映射到同一个输出shape。
|
||||
ConvTranspose3d提供padding参数，增加一侧或多侧计算的输出shape。
|
||||
|
||||
输出的高度和宽度定义如下：
|
||||
|
||||
如果'pad_mode'设置为"pad"，
|
||||
|
||||
.. math::
|
||||
D_{out} = (D_{in} - 1) \times \text{stride_d} - 2 \times \text{padding_d} + \text{dilation_d} \times
|
||||
(\text{kernel_size_d} - 1) + \text{output_padding_d} + 1
|
||||
|
||||
H_{out} = (H_{in} - 1) \times \text{stride_h} - 2 \times \text{padding_h} + \text{dilation_h} \times
|
||||
(\text{kernel_size_h} - 1) + \text{output_padding_h} + 1
|
||||
|
||||
W_{out} = (W_{in} - 1) \times \text{stride_w} - 2 \times \text{padding_w} + \text{dilation_w} \times
|
||||
(\text{kernel_size_w} - 1) + \text{output_padding_w} + 1
|
||||
|
||||
如果'pad_mode'设置为"same"，
|
||||
|
||||
.. math::
|
||||
|
||||
D_{out} = (D_{in} + \text{stride_d} - 1)/\text{stride_d} \\
|
||||
H_{out} = (H_{in} + \text{stride_h} - 1)/\text{stride_h} \\
|
||||
W_{out} = (W_{in} + \text{stride_w} - 1)/\text{stride_w}
|
||||
|
||||
如果'pad_mode'设置为"valid"，
|
||||
|
||||
.. math::
|
||||
|
||||
D_{out} = (D_{in} - 1) \times \text{stride_d} + \text{dilation_d} \times
|
||||
(\text{kernel_size_d} - 1) + 1 \\
|
||||
H_{out} = (H_{in} - 1) \times \text{stride_h} + \text{dilation_h} \times
|
||||
(\text{kernel_size_h} - 1) + 1 \\
|
||||
W_{out} = (W_{in} - 1) \times \text{stride_w} + \text{dilation_w} \times
|
||||
(\text{kernel_size_w} - 1) + 1
|
||||
|
||||
参数：
|
||||
in_channels (int)：输入通道数 :math:`C_{in}`。
|
||||
out_channels (int)：输出通道数 :math:`C_{out}`。
|
||||
kernel_size (Union[int, tuple[int]])：指定三维卷积窗口的深度、高度和宽度。数据类型为int或包含3个整数的tuple。一个整数表示卷积核的深度、高度和宽度均为该值该值。包含3个整数的tuple分别表示卷积核的深度、高度和宽度。
|
||||
stride (Union[int, tuple[int]])：步长大小。数据类型为整型或3个整型的tuple。一个整数表示在深度、高度和宽度方向的滑动步长均为该值。3个整数的tuple分别表示在深度、高度和宽度方向的滑动步长。必须大于等于1。默认值：1。
|
||||
pad_mode (str)：选择填充模式。可选值为"pad"、"same"、"valid"。默认值："same"。
|
||||
|
||||
- same：采用补全方式。输出的深度、高度和宽度与输入 `x` 一致。填充总数将在深度、水平和垂直方向进行计算。并尽可能均匀分布到头部、尾部、顶部、底部、左侧和右侧。否则，最后一次将从尾部、底部和右侧进行额外的填充。若设置该模式，`padding` 和`output_padding`必须为0。
|
||||
- valid：采用的丢弃方式。在不填充的前提下返回可能大的深度、高度和宽度的输出。多余的像素会被丢弃。若设置该模式，`padding` 和`output_padding`必须为0。
|
||||
- pad：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||||
|
||||
padding (Union(int, tuple[int]))：待填充的padding值。数据类型为int或包含6个整数的tuple。如果`padding`是一个整数，则头部、尾部、顶部，底部，左边和右边的填充都等于 `padding`。如果`padding`是6个整数的tuple，则头部、尾部、顶部、底部、左边和右边的填充分别等于填充padding[0]、padding[1]、padding[2]、padding[3]、padding[4]和padding[5]。默认值：0。
|
||||
dilation (Union(int, tuple[int]))：指定用于扩张卷积的扩张速率。数据类型为int或3个整数的tuple: math:`(dilation_d, dilation_h, dilation_w)`。
|
||||
目前，深度扩张仅支持1个用例的情况。如果设置为:math:`k > 1`，则每个采样位置都跳过:math:`k - 1`个像素。其值必须大于或等于1，并以输入`x`的深度、高度和宽度为界。默认值：1。
|
||||
group (int)：将过滤器拆分为组，`in_ channels`和`out_channels`必须可被组数整除。默认值：1。当前仅支持1个。
|
||||
output_padding (Union(int, tuple[int]))：为输出的每个维度添加额外的大小。默认值：0。必须大于或等于0。
|
||||
has_bias (bool)：指定图层是否使用偏置矢量。默认值：False。
|
||||
weight_init (Union[Tensor, str, Initializer, numbers.Number])：卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
bias_init (Union[Tensor, str, Initializer, numbers.Number])：偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
data_format (str)：数据格式的可选值。目前仅支持'NCDHW'。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：shape为:math:`(N, C_{in}, D_{in}, H_{in}, W_{in})`的Tensor。
|
||||
目前输入数据类型只支持float16和float32。
|
||||
|
||||
输出：
|
||||
Tensor，shape为:math:`(N, C_{out}, D_{out}, H_{out}, W_{out})`。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU``
|
||||
|
||||
异常：
|
||||
TypeError：`in_channels`、`out_channels`或`group`不是int。
|
||||
TypeError：kernel_size`、`stride`、`padding`、`dilation`或`output_padding`既不是int也不是tuple。
|
||||
|
||||
TypeError：输入数据类型不是float16或float32。
|
||||
ValueError：`in_channels`、`out_channels`、`kernel_size`、`stride`或`dilation`小于1。
|
||||
ValueError：`padding`小于0。
|
||||
ValueError：`pad_mode`不是“same”，“valid”或“pad”。
|
||||
ValueError：`padding`是长度不等于6的tuple。
|
||||
ValueError：`pad_mode`不等于'pad'且`padding`不等于(0, 0, 0, 0, 0, 0)。
|
||||
ValueError：`data_format`不是'NCDHW'。
|
||||
|
||||
样例：
|
||||
>>> x = Tensor(np.ones([32, 16, 10, 32, 32]), mindspore.float32)
|
||||
>>> conv3d_transpose = nn.Conv3dTranspose(in_channels=16, out_channels=3, kernel_size=(4, 6, 2),
|
||||
... pad_mode='pad')
|
||||
>>> output = conv3d_transpose(x)
|
||||
>>> print(output.shape)
|
||||
(32, 3, 13, 37, 33)
|
||||
|
||||
|
|
@ -0,0 +1,45 @@
|
|||
mindspore.nn.HShrink
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.HShrink(lambd=0.5)
|
||||
|
||||
按元素计算Hard Shrink函数，公式定义如下：
|
||||
|
||||
.. math::
|
||||
\text{HardShrink}(x) =
|
||||
\begin{cases}
|
||||
x, & \text{ if } x > \lambda \\
|
||||
x, & \text{ if } x < -\lambda \\
|
||||
0, & \text{ otherwise }
|
||||
\end{cases}
|
||||
|
||||
**参数：**
|
||||
|
||||
**lambd** (float) - Hard Shrink公式定义的阈值。默认值：0.5。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **input_x** (Tensor) - Hard Shrink的输入，数据类型为float16或float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape和数据类型与输入相同。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend``
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `lambd` 不是float。
|
||||
- **TypeError** - `input_x` 的dtype既不是float16也不是float32。
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> input_x = Tensor(np.array([[ 0.5, 1, 2.0],[0.0533,0.0776,-2.1233]]),mstype.float32)
|
||||
>>> hshrink = nn.HShrink()
|
||||
>>> output = hshrink(input_x)
|
||||
>>> print(output)
|
||||
[[ 0. 1. 2. ]
|
||||
[ 0. 0. -2.1233]]
|
||||
|
||||
|
|
@ -1,36 +0,0 @@
|
|||
Class mindspore.nn.HShrink(lambd=0.5)
|
||||
|
||||
按元素计算Hard Shrink函数，公式定义如下：
|
||||
|
||||
.. math::
|
||||
\text{HardShrink}(x) =
|
||||
\begin{cases}
|
||||
x, & \text{ if } x > \lambda \\
|
||||
x, & \text{ if } x < -\lambda \\
|
||||
0, & \text{ otherwise }
|
||||
\end{cases}
|
||||
|
||||
参数：
|
||||
lambd (float)：Hard Shrink公式定义的阈值。默认值：0.5。
|
||||
|
||||
输入：
|
||||
- **input_x** (Tensor)：Hard Shrink的输入，数据类型为float16或float32。
|
||||
|
||||
输出：
|
||||
Tensor，shape和数据类型与输入相同。
|
||||
|
||||
支持平台：
|
||||
``Ascend``
|
||||
|
||||
异常：
|
||||
TypeError：`lambd`不是float。
|
||||
TypeError：`input_x`的dtype既不是float16也不是float32。
|
||||
|
||||
示例：
|
||||
>>> input_x = Tensor(np.array([[ 0.5, 1, 2.0],[0.0533,0.0776,-2.1233]]),mstype.float32)
|
||||
>>> hshrink = nn.HShrink()
|
||||
>>> output = hshrink(input_x)
|
||||
>>> print(output)
|
||||
[[ 0. 1. 2. ]
|
||||
[ 0. 0. -2.1233]]
|
||||
|
||||
|
|
@ -0,0 +1,40 @@
|
|||
mindspore.nn.HSigmoid
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.HSigmoid
|
||||
|
||||
Hard Sigmoid激活函数。
|
||||
|
||||
按元素计算Hard Sigmoid激活函数。
|
||||
|
||||
Hard Sigmoid定义为：
|
||||
|
||||
.. math::
|
||||
\text{hsigmoid}(x_{i}) = max(0, min(1, \frac{x_{i} + 3}{6})),
|
||||
|
||||
其中，:math:`x_i` 是输入Tensor的一个元素。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **input_x** (Tensor) - Hard Sigmoid的输入。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与 `input_x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
**TypeError** - `input_x` 不是tensor。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> x = Tensor(np.array([-1, -2, 0, 2, 1]), mindspore.float16)
|
||||
>>> hsigmoid = nn.HSigmoid()
|
||||
>>> result = hsigmoid(x)
|
||||
>>> print(result)
|
||||
[0.3333 0.1666 0.5 0.8335 0.6665]
|
||||
|
||||
|
|
@ -1,33 +0,0 @@
|
|||
Class mindspore.nn.HSigmoid
|
||||
|
||||
Hard Sigmoid激活函数。
|
||||
|
||||
按元素计算Hard Sigmoid激活函数。
|
||||
|
||||
Hard sigmoid定义为：
|
||||
|
||||
.. math::
|
||||
\text{hsigmoid}(x_{i}) = max(0, min(1, \frac{x_{i} + 3}{6})),
|
||||
|
||||
其中，:math:`x_i` 是输入Tensor的一个元素。
|
||||
|
||||
输入：
|
||||
- **input_x** (Tensor)：Hard Sigmoid的输入。shape为:math:`(N,*)`，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
|
||||
输出：
|
||||
Tensor，数据类型和shape与 `input_x` 的相同。
|
||||
|
||||
异常：
|
||||
TypeError：`input_x`不是tensor。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> x = Tensor(np.array([-1, -2, 0, 2, 1]), mindspore.float16)
|
||||
>>> hsigmoid = nn.HSigmoid()
|
||||
>>> result = hsigmoid(x)
|
||||
>>> print(result)
|
||||
[0.3333 0.1666 0.5 0.8335 0.6665]
|
||||
|
||||
|
|
@ -0,0 +1,60 @@
|
|||
mindspore.nn.L1Loss
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.L1Loss(reduction='mean')
|
||||
|
||||
L1Loss用于测量 :math:`x` 和 :math:`y` 元素之间的平均绝对误差（MAE），其中 :math:`x` 是输入Tensor和 :math:`y` 是标签Tensor。
|
||||
|
||||
假设 :math:`x` 和 :math:`y` 为一维Tensor，长度 :math:`N` ，则计算 :math:`x` 和 :math:`y` 的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,
|
||||
|
||||
其中， :math:`N` 为batch size。如果 `reduction` 不是"none"，则：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) =
|
||||
\begin{cases}
|
||||
\operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
|
||||
\operatorname{sum}(L), & \text{if reduction} = \text{'sum'.}
|
||||
\end{cases}
|
||||
|
||||
**参数：**
|
||||
|
||||
**reduction** (str) - 应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。默认值："mean"。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **logits** (Tensor) - shape为 :math:`(N, *)` 的tensor，其中 :math:`*` 表示任意的附加维度。
|
||||
- **labels** (Tensor) - shape为 :math:`(N, *)` 的tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，为loss float tensor，如果 `reduction` 为'mean'或'sum'，则shape为零；如果 `reduction` 为'none'，则输出的shape为广播的shape。
|
||||
|
||||
**异常：**
|
||||
|
||||
**ValueError** - `reduction` 不为"mean"，"sum"，或"none"。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||||
>>> loss = nn.L1Loss()
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
0.33333334
|
||||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||||
>>> loss = nn.L1Loss(reduction='none')
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
[[0. 1. 2.]
|
||||
[0. 0. 1.]]
|
||||
|
||||
|
|
@ -1,56 +0,0 @@
|
|||
Class mindspore.nn.L1Loss(reduction='mean')
|
||||
|
||||
L1Loss用于测量:math:`x`和:math:`y`元素之间的平均绝对误差（MAE），其中:math:`x`是输入Tensor和:math:'y'是标签Tensor。
|
||||
|
||||
假设:math:`x`和:math:`y`为一维Tensor，长度:math:`N`，则计算:math:`x`和:math:`y`的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,
|
||||
|
||||
其中，:math:`N`为batch size。如果`reduction`不是"none"，则：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) =
|
||||
\begin{cases}
|
||||
\operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
|
||||
\operatorname{sum}(L), & \text{if reduction} = \text{'sum'.}
|
||||
\end{cases}
|
||||
|
||||
参数：
|
||||
reduction (str)：应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。
|
||||
默认值："mean"。
|
||||
|
||||
输入：
|
||||
- **logits** (Tensor)：shape为:math:`(N, *)`的tensor，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
- **labels** (Tensor)：shape为:math:`(N, *)`的tensor，在通常情况下与`logits`的shape相同。
|
||||
但是如果`logits`和`labels`的shape不同，需要保证他们之间可以互相广播。
|
||||
|
||||
|
||||
输出：
|
||||
Tensor，为loss float tensor，如果`reduction`为'mean'或'sum'，则shape为零；如果`reduction`为'none'，则输出的shape为广播的shape。
|
||||
|
||||
|
||||
异常：
|
||||
ValueError：`reduction`不为"mean"，"sum"，或"none"。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||||
>>> loss = nn.L1Loss()
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
0.33333334
|
||||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||||
>>> loss = nn.L1Loss(reduction='none')
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
[[0. 1. 2.]
|
||||
[0. 0. 1.]]
|
||||
|
||||
|
|
@ -0,0 +1,40 @@
|
|||
mindspore.nn.LogSigmoid
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.LogSigmoid
|
||||
|
||||
Log Sigmoid激活函数。
|
||||
|
||||
按元素计算Log Sigmoid激活函数。
|
||||
|
||||
Log Sigmoid定义为：
|
||||
|
||||
.. math::
|
||||
\text{logsigmoid}(x_{i}) = log(\frac{1}{1 + \exp(-x_i)}),
|
||||
|
||||
其中，:math:`x_i` 是输入Tensor的一个元素。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - Log Sigmoid的输入，数据类型为float16或float32。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
**TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> net = nn.LogSigmoid()
|
||||
>>> x = Tensor(np.array([1.0, 2.0, 3.0]), mindspore.float32)
|
||||
>>> output = net(x)
|
||||
>>> print(output)
|
||||
[-0.31326166 -0.12692806 -0.04858734]
|
||||
|
||||
|
|
@ -1,32 +0,0 @@
|
|||
Class mindspore.nn.LogSigmoid
|
||||
|
||||
Log Sigmoid激活函数。
|
||||
|
||||
按元素计算Log Sigmoid激活函数。
|
||||
|
||||
Log Sigmoid定义为：
|
||||
|
||||
.. math::
|
||||
\text{logsigmoid}(x_{i}) = log(\frac{1}{1 + \exp(-x_i)}),
|
||||
|
||||
其中，:math:`x_i` 是输入Tensor的一个元素。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：Log Sigmoid的输入，数据类型为float16或float32。shape为:math:`(N,*)`，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
输出：
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
异常：
|
||||
TypeError：`x`的数据类型既不是float16也不是float32。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> net = nn.LogSigmoid()
|
||||
>>> x = Tensor(np.array([1.0, 2.0, 3.0]), mindspore.float32)
|
||||
>>> output = net(x)
|
||||
>>> print(output)
|
||||
[-0.31326166 -0.12692806 -0.04858734]
|
||||
|
||||
|
|
@ -0,0 +1,50 @@
|
|||
mindspore.nn.LogSoftmax
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.LogSoftmax(axis=-1)
|
||||
|
||||
Log Softmax激活函数。
|
||||
|
||||
按元素计算Log Softmax激活函数。
|
||||
|
||||
输入经Softmax函数、Log函数转换后，值的范围在[-inf,0)。
|
||||
|
||||
Log Softmax定义如下：
|
||||
|
||||
.. math::
|
||||
|
||||
\text{logsoftmax}(x_i) = \log \left(\frac{\exp(x_i)}{\sum_{j=0}^{n-1} \exp(x_j)}\right),
|
||||
|
||||
其中，:math:`x_i` 是输入Tensor的一个元素。
|
||||
|
||||
**参数：**
|
||||
|
||||
**axis** (int) - Log Softmax运算的axis，-1表示最后一个维度。默认值：-1。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - Log Softmax的输入，数据类型为float16或float32。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与`x`相同，值的范围在[-inf,0)。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - `axis` 不是int。
|
||||
- **TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
- **ValueError** - `axis` 不在[-len(x), len(x))范围中。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> x = Tensor(np.array([[-1.0, 4.0, -8.0], [2.0, -5.0, 9.0]]), mindspore.float32)
|
||||
>>> log_softmax = nn.LogSoftmax()
|
||||
>>> output = log_softmax(x)
|
||||
>>> print(output)
|
||||
[[-5.00672150e+00 -6.72150636e-03 -1.20067215e+01]
|
||||
[-7.00091219e+00 -1.40009127e+01 -9.12250078e-04]]
|
||||
|
||||
|
|
@ -1,41 +0,0 @@
|
|||
Class mindspore.nn.LogSoftmax(axis=-1)
|
||||
|
||||
Log Softmax激活函数。
|
||||
|
||||
按元素计算Log Softmax激活函数。
|
||||
|
||||
输入经Softmax函数、Log函数转换后，值的范围在[-inf,0)。
|
||||
|
||||
Log Softmax定义如下：
|
||||
|
||||
.. math::
|
||||
|
||||
\text{logsoftmax}(x_i) = \log \left(\frac{\exp(x_i)}{\sum_{j=0}^{n-1} \exp(x_j)}\right),
|
||||
|
||||
其中，:math:`x_i` 是输入Tensor的一个元素。
|
||||
|
||||
参数：
|
||||
axis (int)：Log Softmax运算的axis，-1表示最后一个维度。默认值：-1。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：Log Softmax的输入，数据类型为float16或float32。
|
||||
|
||||
输出：
|
||||
Tensor，数据类型和shape与`x`相同，值的范围在[-inf,0)。
|
||||
|
||||
异常：
|
||||
TypeError：`axis`不是int。
|
||||
TypeError：`x`的数据类型既不是float16也不是float32。
|
||||
ValueError：`axis`不在[-len(x), len(x))范围中。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> x = Tensor(np.array([[-1.0, 4.0, -8.0], [2.0, -5.0, 9.0]]), mindspore.float32)
|
||||
>>> log_softmax = nn.LogSoftmax()
|
||||
>>> output = log_softmax(x)
|
||||
>>> print(output)
|
||||
[[-5.00672150e+00 -6.72150636e-03 -1.20067215e+01]
|
||||
[-7.00091219e+00 -1.40009127e+01 -9.12250078e-04]]
|
||||
|
||||
|
|
@ -0,0 +1,60 @@
|
|||
mindspore.nn.MAELoss
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.MAELoss(reduction='mean')
|
||||
|
||||
MAELoss用于测量 :math:`x` 和 :math:`y` 元素之间的平均绝对误差，其中 :math:`x` 是输入Tensor， :math:`y` 是标签Tensor。
|
||||
|
||||
假设 :math:`x` 和 :math:`y` 为一维Tensor，长度 :math:`N` ，则计算 :math:`x` 和 :math:`y` 的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,
|
||||
|
||||
其中， :math:`N` 为batch size。如果 `reduction` 不是"none"，则：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) =
|
||||
\begin{cases}
|
||||
\operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
|
||||
\operatorname{sum}(L), & \text{if reduction} = \text{'sum'.}
|
||||
\end{cases}
|
||||
|
||||
**参数：**
|
||||
|
||||
**reduction** (str) - 应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。默认值："mean"。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **logits** (Tensor) - shape为 :math:`(M, *)` 的tensor，其中 :math:`*` 表示任意的附加维度。
|
||||
- **labels** (Tensor) - shape为 :math:`(N, *)` 的tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，为加权loss float tensor，如果 `reduction` 为"mean"或"sum"，则shape为零；如果 `reduction` 为"none"，则输出的shape为输入Tensor广播后的shape。
|
||||
|
||||
**异常：**
|
||||
|
||||
**ValueError** - `reduction` 不为"mean"，"sum"，或"none"。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||||
>>> loss = nn.MAELoss()
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
0.33333334
|
||||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||||
>>> loss = nn.MAELoss(reduction='none')
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
[[0. 1. 2.]
|
||||
[0. 0. 1.]]
|
||||
|
||||
|
|
@ -1,56 +0,0 @@
|
|||
Class mindspore.nn.MAELoss(reduction='mean')
|
||||
|
||||
MAELoss用于测量:math:`x`和:math:`y`元素之间的平均绝对误差，其中:math:`x`是输入Tensor，:math:`y`是标签Tensor。
|
||||
|
||||
假设:math:`x`和:math:`y`为一维Tensor，长度:math:`N`，则计算:math:`x`和:math:`y`的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with } l_n = \left| x_n - y_n \right|,
|
||||
|
||||
其中，:math:`N`为batch size。如果`reduction`不是"none"，则：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) =
|
||||
\begin{cases}
|
||||
\operatorname{mean}(L), & \text{if reduction} = \text{'mean';}\\
|
||||
\operatorname{sum}(L), & \text{if reduction} = \text{'sum'.}
|
||||
\end{cases}
|
||||
|
||||
参数：
|
||||
reduction (str)：应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。
|
||||
默认值："mean"。
|
||||
|
||||
输入：
|
||||
- **logits** (Tensor)：shape为:math:`(M, *)`的tensor，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
- **labels** (Tensor)：shape为:math:`(N, *)`的tensor，在通常情况下与`logits`的shape相同。
|
||||
但是如果`logits`和`labels`的shape不同，需要保证他们之间可以互相广播。
|
||||
|
||||
|
||||
输出：
|
||||
Tensor，为加权loss float tensor，如果`reduction`为"mean"或"sum"，则shape为零；如果`reduction`为"none"，则输出的shape为输入Tensor广播后的shape。
|
||||
|
||||
|
||||
异常：
|
||||
ValueError：`reduction`不为"mean"，"sum"，或"none"。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||||
>>> loss = nn.MAELoss()
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([1, 2, 2]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
0.33333334
|
||||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||||
>>> loss = nn.MAELoss(reduction='none')
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
[[0. 1. 2.]
|
||||
[0. 0. 1.]]
|
||||
|
||||
|
|
@ -0,0 +1,60 @@
|
|||
mindspore.nn.MSELoss
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.MSELoss(reduction='mean')
|
||||
|
||||
MSELoss是用来测量 :math:`x` 和 :math:`y` 对应元素之间的均方差，其中 :math:`x` 是输入Tensor， :math:`y` 是标签Tensor。
|
||||
|
||||
假设 :math:`x` 和 :math:`y` 为一维Tensor，长度 :math:`N` ，则计算 :math:`x` 和 :math:`y` 的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with} \quad l_n = (x_n - y_n)^2.
|
||||
|
||||
其中， :math:`N` 为batch size。如果 `reduction` 不是"none"，则：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) =
|
||||
\begin{cases}
|
||||
\operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\
|
||||
\operatorname{sum}(L), & \text{if reduction} = \text{`sum'.}
|
||||
\end{cases}
|
||||
|
||||
**参数：**
|
||||
|
||||
**reduction** (str) - 应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。默认值："mean"。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **logits** (Tensor) - shape为 :math:`(N, *)` 的Tensor，其中 :math:`*` 表示任意的附加维度。
|
||||
- **labels** (Tensor) - shape为 :math:`(N, *)` 的Tensor，在通常情况下与 `logits` 的shape相同。但是如果 `logits` 和 `labels` 的shape不同，需要保证他们之间可以互相广播。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，为loss float tensor，如果 `reduction` 为"mean"或"sum"，则shape为零；如果 `reduction` 为"none"，则输出的shape为输入Tensor广播后的shape。
|
||||
|
||||
**异常：**
|
||||
|
||||
**ValueError** - `reduction` 不为"mean"，"sum"，或"none"。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||||
>>> loss = nn.MSELoss()
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([1, 1, 1]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
1.6666667
|
||||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||||
>>> loss = nn.MSELoss(reduction='none')
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
[[0. 1. 4.] [0. 0. 1.]]
|
||||
|
||||
|
||||
|
|
@ -1,56 +0,0 @@
|
|||
Class mindspore.nn.MSELoss(reduction='mean')
|
||||
|
||||
MSELoss是用来测量:math:`x`和:math:`y`对应元素之间的均方差，其中:math:`x`是输入Tensor，:math:`y`是标签Tensor。
|
||||
|
||||
假设:math:`x`和:math:`y`为一维Tensor，长度:math:`N`，则计算:math:`x`和:math:`y`的unreduced loss（即reduction参数设置为"none"）的公式如下：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) = L = \{l_1,\dots,l_N\}^\top, \quad \text{with} \quad l_n = (x_n - y_n)^2.
|
||||
|
||||
其中，:math:`N`为batch size。如果`reduction`不是"none"，则：
|
||||
|
||||
.. math::
|
||||
\ell(x, y) =
|
||||
\begin{cases}
|
||||
\operatorname{mean}(L), & \text{if reduction} = \text{`mean';}\\
|
||||
\operatorname{sum}(L), & \text{if reduction} = \text{`sum'.}
|
||||
\end{cases}
|
||||
|
||||
参数：
|
||||
reduction (str)：应用于loss的reduction类型。取值为"mean"，"sum"，或"none"。
|
||||
默认值："mean"。
|
||||
|
||||
输入：
|
||||
- **logits** (Tensor)：shape为:math:`(N, *)`的Tensor，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
- **labels** (Tensor)：shape为:math:`(N, *)`的Tensor，在通常情况下与`logits`的shape相同。
|
||||
但是如果`logits`和`labels`的shape不同，需要保证他们之间可以互相广播。
|
||||
|
||||
|
||||
输出：
|
||||
Tensor，为loss float tensor，如果`reduction`为"mean"或"sum"，则shape为零；如果`reduction`为"none"，则输出的shape为输入Tensor广播后的shape。
|
||||
|
||||
|
||||
异常：
|
||||
ValueError：`reduction`不为"mean"，"sum"，或"none"。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> #用例1：logits.shape = labels.shape = (3,)
|
||||
>>> loss = nn.MSELoss()
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([1, 1, 1]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
1.6666667
|
||||
>>> #用例2：logits.shape = (3,), labels.shape = (2, 3)
|
||||
>>> loss = nn.MSELoss(reduction='none')
|
||||
>>> logits = Tensor(np.array([1, 2, 3]), mindspore.float32)
|
||||
>>> labels = Tensor(np.array([[1, 1, 1], [1, 2, 2]]), mindspore.float32)
|
||||
>>> output = loss(logits, labels)
|
||||
>>> print(output)
|
||||
[[0. 1. 4.] [0. 0. 1.]]
|
||||
|
||||
|
||||
|
|
@ -0,0 +1,43 @@
|
|||
mindspore.nn.Sigmoid
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.Sigmoid
|
||||
|
||||
Sgmoid激活函数。
|
||||
|
||||
按元素计算Sgmoid激活函数。
|
||||
|
||||
Sigmoid函数定义为：
|
||||
|
||||
.. math::
|
||||
|
||||
\text{sigmoid}(x_i) = \frac{1}{1 + \exp(-x_i)},
|
||||
|
||||
其中 :math:`x_i` 是输入的元素。
|
||||
|
||||
关于Sigmoid的图例见`Sigmoid <https://en.wikipedia.org/wiki/Sigmoid_function#/media/File:Logistic-curve.svg>`_。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - 数据类型为float16或float32的Sgmoid输入。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
**TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> x = Tensor(np.array([-1, -2, 0, 2, 1]), mindspore.float16)
|
||||
>>> sigmoid = nn.Sigmoid()
|
||||
>>> output = sigmoid(x)
|
||||
>>> print(output)
|
||||
[0.2688 0.11914 0.5 0.881 0.7305 ]
|
||||
|
||||
|
|
@ -1,36 +0,0 @@
|
|||
Class mindspore.nn.Sigmoid
|
||||
|
||||
Sgmoid激活函数。
|
||||
|
||||
按元素计算Sgmoid激活函数。
|
||||
|
||||
Sigmoid函数定义为：
|
||||
|
||||
.. math::
|
||||
|
||||
\text{sigmoid}(x_i) = \frac{1}{1 + \exp(-x_i)},
|
||||
|
||||
其中:math:`x_i`是输入的元素。
|
||||
|
||||
关于Sigmoid的图例见`Sigmoid <https://en.wikipedia.org/wiki/Sigmoid_function#/media/File:Logistic-curve.svg>`_。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor) - 数据类型为float16或float32的Sgmoid输入。
|
||||
shape为:math:`(N,*)`，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
输出：
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
异常：
|
||||
TypeError：`x`的数据类型既不是float16也不是float32。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> x = Tensor(np.array([-1, -2, 0, 2, 1]), mindspore.float16)
|
||||
>>> sigmoid = nn.Sigmoid()
|
||||
>>> output = sigmoid(x)
|
||||
>>> print(output)
|
||||
[0.2688 0.11914 0.5 0.881 0.7305 ]
|
||||
|
||||
|
|
@ -0,0 +1,40 @@
|
|||
mindspore.nn.Tanh
|
||||
=============================
|
||||
|
||||
.. py:class:: mindspore.nn.Tanh
|
||||
|
||||
Tanh激活函数。
|
||||
|
||||
按元素计算Tanh函数，返回一个新的Tensor，该Tensor是输入元素的双曲正切值。
|
||||
|
||||
Tanh函数定义为：
|
||||
|
||||
.. math::
|
||||
tanh(x_i) = \frac{\exp(x_i) - \exp(-x_i)}{\exp(x_i) + \exp(-x_i)} = \frac{\exp(2x_i) - 1}{\exp(2x_i) + 1},
|
||||
|
||||
其中 :math:`x_i` 是输入Tensor的元素。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - 数据类型为float16或float32的Tanh输入。shape为 :math:`(N,*)` ，其中 :math:`*` 表示任意的附加维度。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
**异常：**
|
||||
|
||||
**TypeError** - `x` 的数据类型既不是float16也不是float32。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> x = Tensor(np.array([1, 2, 3, 2, 1]), mindspore.float16)
|
||||
>>> tanh = nn.Tanh()
|
||||
>>> output = tanh(x)
|
||||
>>> print(output)
|
||||
[0.7617 0.964 0.995 0.964 0.7617]
|
||||
|
||||
|
|
@ -1,33 +0,0 @@
|
|||
Class mindspore.nn.Tanh
|
||||
|
||||
Tanh激活函数。
|
||||
|
||||
按元素计算Tanh函数，返回一个新的Tensor，该Tensor是输入元素的双曲正切值。
|
||||
|
||||
Tanh函数定义为：
|
||||
|
||||
.. math::
|
||||
tanh(x_i) = \frac{\exp(x_i) - \exp(-x_i)}{\exp(x_i) + \exp(-x_i)} = \frac{\exp(2x_i) - 1}{\exp(2x_i) + 1},
|
||||
|
||||
其中:math:`x_i`是输入Tensor的元素。
|
||||
|
||||
输入：
|
||||
- **x** (Tensor)：数据类型为float16或float32的Tanh输入。
|
||||
shape为:math:`(N,*)`，其中:math:`*`表示任意的附加维度。
|
||||
|
||||
输出：
|
||||
Tensor，数据类型和shape与 `x` 的相同。
|
||||
|
||||
异常：
|
||||
TypeError：`x`的数据类型既不是float16也不是float32。
|
||||
|
||||
支持平台：
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
示例：
|
||||
>>> x = Tensor(np.array([1, 2, 3, 2, 1]), mindspore.float16)
|
||||
>>> tanh = nn.Tanh()
|
||||
>>> output = tanh(x)
|
||||
>>> print(output)
|
||||
[0.7617 0.964 0.995 0.964 0.7617]
|
||||
|
||||
|
|
@ -1,69 +1,70 @@
|
|||
mindspore.nn.Conv2d
|
||||
====================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, pad_mode="same", padding=0, dilation=1, group=1, has_bias=False, weight_init="normal", bias_init="zeros", data_format="NCHW")
|
||||
|
||||
二维卷积层。
|
||||
|
||||
对输入Tensor进行二维卷积，该Tensor的常见shape为 :math:`(N, C_{in}, H_{in}, W_{in})`，其中 :math:`N` 为batch size，:math:`C_{in}` 为通道数，:math:`H_{in},W_{in}` 分别为高度和宽度。对于每个batch中的Tensor，其shape为 :math:`(C_{in}, H_{in}, W_{in})` ，二维卷积公式定义如下：
|
||||
|
||||
.. math:: out_j = \sum_{i=0}^{C_{in} - 1} ccor(W_{ij}, X_i) + b_j,
|
||||
|
||||
其中 :math:`corr` 是互关联算子，:math:`C_{in}` 是输入通道数目，:math:`j` 的范围在 :math:`[0，C_{out}-1]` 内，:math:`W_{ij}`对应第 :math:`j`个过滤器的第 :math:`i` 个通道，:math:`out_j`对应输出的第 :math:`j` 个通道。:math:`W_{ij}` 是shape为 :math:`(\text{kernel_size[0]}, \text{kernel_size[1]})` 的kernel切片。其中 :math:`\text{kernel_size[0]}` 和 :math:`\text{kernel_size[1]}` 是卷积核的高度和宽度。完整kernel的shape为 :math:`(C_{out}, C_{in} // \text{group}, \text{kernel_size[0]}, \text{kernel_size[1]})`，其中group是在通道维度上分割输入 `x` 的组数。
|
||||
如果'pad_mode'被设置为 "valid"，输出高度和宽度分别为 :math:`\left \lfloor{1 + \frac{H_{in} + \text{padding[0]} + \text{padding[1]} - \text{kernel_size[0]} -
|
||||
(\text{kernel_size[0]} - 1) \times (\text{dilation[0]} - 1) }{\text{stride[0]}}} \right \rfloor` 和 :math:`\left \lfloor{1 + \frac{W_{in} + \text{padding[2]} + \text{padding[3]} - \text{kernel_size[1]} -
|
||||
(\text{kernel_size[1]} - 1) \times (\text{dilation[1]} - 1) }{\text{stride[1]}}} \right \rfloor`。
|
||||
|
||||
详细介绍请参考论文 `Gradient Based Learning Applied to Document Recognition <http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf>`_ 。
|
||||
|
||||
**参数** ：
|
||||
|
||||
- **in_channels** (`int`) – 输入的通道数 :math:`C_{in}`。
|
||||
- **out_channels** (`dict`) - 输出的通道数 :math:`C_{out}`。
|
||||
- **kernel_size** (`Union[int, tuple[int]]`) – 指定二维卷积窗口的高度和宽度。数据类型为整型或2个整型的tuple。一个整数表示卷积核的高度和宽度均为该值。2个整数的tuple分别表示卷积核的高度和宽度。
|
||||
- **stride** (`Union[int, tuple[int]]`) – 步长大小。数据类型为整型或2个整型的tuple。一个整数表示在高度和宽度方向的滑动步长均为该值。2个整数的tuple分别表示在高度和宽度方向的滑动步长。默认值：1。
|
||||
|
||||
- **pad_mode** (`str`) – 指定填充模式。可选值为“same”，“valid”，“pad”。默认值：“same”。
|
||||
|
||||
- **same**：采用补全方式。输出的高度和宽度与输入 `x` 一致。填充总数将在水平和垂直方向进行计算。并尽可能均匀分布到顶部、底部、左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- **valid**：采用丢弃方式。在不填充的前提下返回可能大的高度和宽度的输出。多余的像素会被丢弃。若设置该模式，`padding` 必须为0。
|
||||
- **pad**：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||||
|
||||
- **padding** (`Union[int, tuple[int]]`) – 输入 `x` 两侧的隐式填充。数据类型为int或包含4个整数的tuple。如果 `padding` 是一个整数，那么上、下、左、右的填充都等于 `padding` 。如果 `padding` 是一个有4个整数的tuple，那么上、下、左、右的填充分别等于 `padding[0]`、`padding[1]`、`padding[2]` 和 `padding[3]`。默认值：0。
|
||||
- **dilation** (`Union[int, tuple[int]]`) – 指定用于扩张卷积的扩张速率。数据类型为整型或具有2个整型的tuple。如果设置 :math:`k > 1`，则每个采样位置将跳过 :math:`k-1` 个像素。其值必须大于或等于1，并以输入的高度和宽度为边界。默认值：1。
|
||||
- **group** (`int`) – 将过滤器分组， `in_channels` 和 `out_channels` 必须被组数整除。如果组数等于 `in_channels` 和 `out_channels`，这个二维卷积层也被称为二维深度卷积层。默认值：1.
|
||||
- **has_bias** (`bool`) – 指定图层是否使用偏置向量。默认值：False。
|
||||
- **weight_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
- **data_format** (`str`) – 数据格式的可选值有“NHWC”，“NCHW”。默认值：“NCHW”。
|
||||
|
||||
**输入** ：
|
||||
|
||||
- **x** (Tensor) - Shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 或者 :math:`(N, H_{in}, W_{in}, C_{in})` 的Tensor。
|
||||
|
||||
**输出** ：
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 或者 :math:`(N, H_{out}, W_{out}, C_{out})` 。
|
||||
|
||||
**异常** ：
|
||||
|
||||
- **TypeError** - 如果 `in_channels`，`out_channels` 或者 `group` 不是整数。
|
||||
- **TypeError** - 如果 `kernel_size`，`stride`，`padding` 或者 `dilation` 既不是整数也不是tuple。
|
||||
- **ValueError** - 如果 `in_channels`，`out_channels`，`kernel_size`，`stride` 或者 `dilation` 小于1。
|
||||
- **ValueError** - 如果 `padding` 小于0。
|
||||
- **ValueError** - 如果 `pad_mode` 不是“same”，“valid”，“pad”中的一个。
|
||||
- **ValueError** - 如果 `padding` 是一个长度不等于4的tuple。
|
||||
- **ValueError** - 如果 `pad_mode` 不等于“pad”且 `padding` 不等于(0,0,0,0)。
|
||||
- **ValueError** - 如果 `data_format` 既不是“NCHW”也不是“NHWC”。
|
||||
|
||||
|
||||
**支持平台** ：
|
||||
|
||||
`Ascend` `GPU` `CPU`
|
||||
|
||||
**样例** :
|
||||
>>> net = nn.Conv2d(120, 240, 4, has_bias=False, weight_init='normal')
|
||||
>>> x = Tensor(np.ones([1, 120, 1024, 640]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 240, 1024, 640)
|
||||
mindspore.nn.Conv2d
|
||||
====================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, pad_mode="same", padding=0, dilation=1, group=1, has_bias=False, weight_init="normal", bias_init="zeros", data_format="NCHW")
|
||||
|
||||
二维卷积层。
|
||||
|
||||
对输入Tensor进行二维卷积，该Tensor的常见shape为 :math:`(N, C_{in}, H_{in}, W_{in})`，其中 :math:`N` 为batch size，:math:`C_{in}` 为通道数，:math:`H_{in},W_{in}` 分别为高度和宽度。对于每个batch中的Tensor，其shape为 :math:`(C_{in}, H_{in}, W_{in})` ，二维卷积公式定义如下：
|
||||
|
||||
.. math:: out_j = \sum_{i=0}^{C_{in} - 1} ccor(W_{ij}, X_i) + b_j,
|
||||
|
||||
其中 :math:`corr` 是互关联算子，:math:`C_{in}` 是输入通道数目，:math:`j` 的范围在 :math:`[0，C_{out}-1]` 内，:math:`W_{ij}`对应第 :math:`j` 个过滤器的第 :math:`i` 个通道，:math:`out_j` 对应输出的第 :math:`j` 个通道。:math:`W_{ij}` 是shape为 :math:`(\text{kernel_size[0]}, \text{kernel_size[1]})` 的kernel切片。其中 :math:`\text{kernel_size[0]}` 和 :math:`\text{kernel_size[1]}` 是卷积核的高度和宽度。完整kernel的shape为 :math:`(C_{out}, C_{in} // \text{group}, \text{kernel_size[0]}, \text{kernel_size[1]})`，其中group是在通道维度上分割输入 `x` 的组数。
|
||||
如果'pad_mode'被设置为 "valid"，输出高度和宽度分别为 :math:`\left \lfloor{1 + \frac{H_{in} + \text{padding[0]} + \text{padding[1]} - \text{kernel_size[0]} -
|
||||
(\text{kernel_size[0]} - 1) \times (\text{dilation[0]} - 1) }{\text{stride[0]}}} \right \rfloor` 和 :math:`\left \lfloor{1 + \frac{W_{in} + \text{padding[2]} + \text{padding[3]} - \text{kernel_size[1]} -
|
||||
(\text{kernel_size[1]} - 1) \times (\text{dilation[1]} - 1) }{\text{stride[1]}}} \right \rfloor`。
|
||||
|
||||
详细介绍请参考论文 `Gradient Based Learning Applied to Document Recognition <http://vision.stanford.edu/cs598_spring07/papers/Lecun98.pdf>`_ 。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **in_channels** (`int`) – 输入的通道数 :math:`C_{in}` 。
|
||||
- **out_channels** (`dict`) - 输出的通道数 :math:`C_{out}` 。
|
||||
- **kernel_size** (`Union[int, tuple[int]]`) – 指定二维卷积窗口的高度和宽度。数据类型为整型或2个整型的tuple。一个整数表示卷积核的高度和宽度均为该值。2个整数的tuple分别表示卷积核的高度和宽度。
|
||||
- **stride** (`Union[int, tuple[int]]`) – 步长大小。数据类型为整型或2个整型的tuple。一个整数表示在高度和宽度方向的滑动步长均为该值。2个整数的tuple分别表示在高度和宽度方向的滑动步长。默认值：1。
|
||||
|
||||
- **pad_mode** (`str`) – 指定填充模式。可选值为“same”，“valid”，“pad”。默认值：“same”。
|
||||
|
||||
- **same**：采用补全方式。输出的高度和宽度与输入 `x` 一致。填充总数将在水平和垂直方向进行计算。并尽可能均匀分布到顶部、底部、左侧和右侧。否则，最后一次将从底部和右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- **valid**：采用丢弃方式。在不填充的前提下返回可能大的高度和宽度的输出。多余的像素会被丢弃。若设置该模式，`padding` 必须为0。
|
||||
- **pad**：输入 `x` 两侧的隐式填充。`padding` 的数量将填充到输入Tensor边框上。`padding` 必须大于或等于0。
|
||||
|
||||
- **padding** (`Union[int, tuple[int]]`) – 输入 `x` 两侧的隐式填充。数据类型为int或包含4个整数的tuple。如果 `padding` 是一个整数，那么上、下、左、右的填充都等于 `padding` 。如果 `padding` 是一个有4个整数的tuple，那么上、下、左、右的填充分别等于 `padding[0]` 、 `padding[1]` 、 `padding[2]` 和 `padding[3]` 。默认值：0。
|
||||
- **dilation** (`Union[int, tuple[int]]`) – 指定用于扩张卷积的扩张速率。数据类型为整型或具有2个整型的tuple。如果设置 :math:`k > 1` ，则每个采样位置将跳过 :math:`k-1` 个像素。其值必须大于或等于1，并以输入的高度和宽度为边界。默认值：1。
|
||||
- **group** (`int`) – 将过滤器分组， `in_channels` 和 `out_channels` 必须被组数整除。如果组数等于 `in_channels` 和 `out_channels` ，这个二维卷积层也被称为二维深度卷积层。默认值：1.
|
||||
- **has_bias** (`bool`) – 指定图层是否使用偏置向量。默认值：False。
|
||||
- **weight_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
- **data_format** (`str`) – 数据格式的可选值有“NHWC”，“NCHW”。默认值：“NCHW”。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - Shape为 :math:`(N, C_{in}, H_{in}, W_{in})` 或者 :math:`(N, H_{in}, W_{in}, C_{in})` 的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 或者 :math:`(N, H_{out}, W_{out}, C_{out})` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `in_channels` ， `out_channels` 或者 `group` 不是整数。
|
||||
- **TypeError** - 如果 `kernel_size` ， `stride`，`padding` 或者 `dilation` 既不是整数也不是tuple。
|
||||
- **ValueError** - 如果 `in_channels` ， `out_channels`，`kernel_size` ， `stride` 或者 `dilation` 小于1。
|
||||
- **ValueError** - 如果 `padding` 小于0。
|
||||
- **ValueError** - 如果 `pad_mode` 不是“same”，“valid”，“pad”中的一个。
|
||||
- **ValueError** - 如果 `padding` 是一个长度不等于4的tuple。
|
||||
- **ValueError** - 如果 `pad_mode` 不等于“pad”且 `padding` 不等于(0,0,0,0)。
|
||||
- **ValueError** - 如果 `data_format` 既不是“NCHW”也不是“NHWC”。
|
||||
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> net = nn.Conv2d(120, 240, 4, has_bias=False, weight_init='normal')
|
||||
>>> x = Tensor(np.ones([1, 120, 1024, 640]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 240, 1024, 640)
|
||||
|
|
@ -0,0 +1,63 @@
|
|||
mindspore.nn.Conv2dTranspose
|
||||
============================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv2dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode="same", padding=0, dilation=1, group=1, has_bias=False, weight_init="normal", bias_init="zeros")
|
||||
|
||||
二维转置卷积层。
|
||||
|
||||
计算二维转置卷积，这也被称为反卷积（实际不是真正的反卷积）。
|
||||
|
||||
`x` 的shape通常为 :math:`(N, C, H, W)` ，其中 :math:`N` 是batch size，:math:`C` 是通道数。如果'pad_mode'设为 "pad"，输出的高度和宽度分别为：
|
||||
|
||||
.. math:: \begin{align}\begin{aligned}H_{out} = (H_{in} - 1) \times \text{stride[0]} - \left (\text{padding[0]} + \text{padding[1]}\right ) + \text{dilation[0]} \times (\text{kernel_size[0]} - 1) + 1\\W_{out} = (W_{in} - 1) \times \text{stride[1]} - \left (\text{padding[2]} + \text{padding[3]}\right ) + \text{dilation[1]} \times (\text{kernel_size[1]} - 1) + 1\end{aligned}\end{align}
|
||||
|
||||
其中 :math:`\text{kernel_size[0]}` 是卷积核的高度， :math:`\text{kernel_size[1]}` 是卷积核的宽度。
|
||||
|
||||
**参数：**
|
||||
|
||||
- **in_channels** (`int`) – 输入的通道数。
|
||||
- **out_channels** (`dict`) - 输出的通道数。
|
||||
- **kernel_size** (`Union[int, tuple[int]]`) – 该参数指定二维卷积窗口的高度和宽度。数据类型为整型或2个整型的tuple。一个整数表示卷积核的高度和宽度均为该值。2个整数的tuple分别表示卷积核高度和宽度。
|
||||
- **stride** (`Union[int, tuple[int]]`) – 步长大小。数据类型为整型或2个整型的tuple。一个整数表示在高度和宽度方向的滑动步长均为该值。2个整数的tuple分别表示在高度和宽度方向的滑动步长。默认值：1。
|
||||
- **pad_mode** (`str`) – 指定填充模式。可选值为“pad”，“same”，“valid”。默认值：“same”。
|
||||
|
||||
- **same**：采用补全方式。输出的高度和宽度与输入 `x` 一致。填充总数将在水平和垂直方向进行计算。并尽可能均匀分布到顶部、底部、左侧和右侧。否则，最后一次将从底部到右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- **valid**：采用丢弃方式。在不填充的前提下返回可能大的高度和宽度的输出。多余的像素会被丢弃。若设置该模式，`padding` 必须为0。
|
||||
- **pad**：输入 `x` 两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。 `padding` 必须大于或等于0。
|
||||
|
||||
- **padding** (`Union[int, tuple[int]]`) – 输入 `x` 两侧的隐式填充。数据类型为int或包含4个整数的tuple。如果 `padding` 是一个整数，那么上、下、左、右的填充都等于 `padding` 。如果 `padding` 是一个有4个整数的tuple，那么上、下、左、右的填充分别等于 `padding[0]` 、 `padding[1]` 、 `padding[2]` 和 `padding[3]` 。默认值：0。
|
||||
- **dilation** (`Union[int, tuple[int]]`) – 指定用于扩张卷积的扩张速率。数据类型为整型或具有2个整型的tuple。如果设置 :math:`k > 1`，则每个采样位置将跳过 :math:`k-1` 个像素。其值必须大于或等于1，并以输入的高度和宽度为边界。默认值：1。
|
||||
- **group** (`int`) – 将过滤器分组， `in_channels` 和 `out_channels` 必须被组数整除。当组数大于1时，不支持达芬奇（Davinci）设备。默认值：1.
|
||||
- **has_bias** (`bool`) – 指定图层是否使用偏置向量。默认值：False。
|
||||
- **weight_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
|
||||
**输入：**
|
||||
|
||||
- **x** (Tensor) - Shape 为 :math:`(N, C_{in}, H_{in}, W_{in})` 的Tensor。
|
||||
|
||||
**输出：**
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 。
|
||||
|
||||
**异常：**
|
||||
|
||||
- **TypeError** - 如果 `in_channels` ，`out_channels` 或者 `group` 不是整数。
|
||||
- **TypeError** - 如果 `kernel_size` ，`stride` ，`padding` 或者 `dilation` 既不是整数也不是tuple。
|
||||
- **ValueError** - 如果 `in_channels` ，`out_channels` ， `kernel_size`， `stride` 或者 `dilation` 小于1。
|
||||
- **ValueError** - 如果 `padding` 小于0。
|
||||
- **ValueError** - 如果 `pad_mode` 不是“same”，“valid”，“pad”中的一个。
|
||||
- **ValueError** - 如果 `padding` 是一个长度不等于4的tuple。
|
||||
- **ValueError** - 如果 `pad_mode` 不等于“pad”且 `padding` 不等于(0,0,0,0)。
|
||||
|
||||
**支持平台：**
|
||||
|
||||
``Ascend`` ``GPU`` ``CPU``
|
||||
|
||||
**样例：**
|
||||
|
||||
>>> net = nn.Conv2dTranspose(3, 64, 4, has_bias=False, weight_init='normal', pad_mode='pad')
|
||||
>>> x = Tensor(np.ones([1, 3, 16, 50]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 64, 19, 53)
|
||||
|
|
@ -1,62 +0,0 @@
|
|||
mindspore.nn.Conv2dTranspose
|
||||
============================
|
||||
|
||||
.. py:class:: mindspore.nn.Conv2dTranspose(in_channels, out_channels, kernel_size, stride=1, pad_mode="same", padding=0, dilation=1, group=1, has_bias=False, weight_init="normal", bias_init="zeros")
|
||||
|
||||
二维转置卷积层。
|
||||
|
||||
计算二维转置卷积，这也被称为反卷积（实际不是真正的反卷积）。
|
||||
|
||||
`x` 的shape通常为 :math:`(N, C, H, W)` ，其中 :math:`N` 是batch size，:math:`C` 是通道数。如果'pad_mode'设为 "pad"，输出的高度和宽度分别为：
|
||||
|
||||
.. math:: \begin{align}\begin{aligned}H_{out} = (H_{in} - 1) \times \text{stride[0]} - \left (\text{padding[0]} + \text{padding[1]}\right ) + \text{dilation[0]} \times (\text{kernel_size[0]} - 1) + 1\\W_{out} = (W_{in} - 1) \times \text{stride[1]} - \left (\text{padding[2]} + \text{padding[3]}\right ) + \text{dilation[1]} \times (\text{kernel_size[1]} - 1) + 1\end{aligned}\end{align}
|
||||
|
||||
其中 :math:`\text{kernel_size[0]}` 是卷积核的高度， :math:`\text{kernel_size[1]}` 是卷积核的宽度。
|
||||
|
||||
**参数** ：
|
||||
|
||||
- **in_channels** (`int`) – 输入的通道数。
|
||||
- **out_channels** (`dict`) - 输出的通道数。
|
||||
- **kernel_size** (`Union[int, tuple[int]]`) – 该参数指定二维卷积窗口的高度和宽度。数据类型为整型或2个整型的tuple。一个整数表示卷积核的高度和宽度均为该值。2个整数的tuple分别表示卷积核高度和宽度。
|
||||
- **stride** (`Union[int, tuple[int]]`) – 步长大小。数据类型为整型或2个整型的tuple。一个整数表示在高度和宽度方向的滑动步长均为该值。2个整数的tuple分别表示在高度和宽度方向的滑动步长。默认值：1。
|
||||
- **pad_mode** (`str`) – 指定填充模式。可选值为“pad”，“same”，“valid”。默认值：“same”。
|
||||
|
||||
- **same**：采用补全方式。输出的高度和宽度与输入 `x` 一致。填充总数将在水平和垂直方向进行计算。并尽可能均匀分布到顶部、底部、左侧和右侧。否则，最后一次将从底部到右侧进行额外的填充。若设置该模式，`padding` 必须为0。
|
||||
- **valid**：采用丢弃方式。在不填充的前提下返回可能大的高度和宽度的输出。多余的像素会被丢弃。若设置该模式，`padding` 必须为0。
|
||||
- **pad**：输入`x`两侧的隐式填充。`padding`的数量将填充到输入Tensor边框上。`padding`必须大于或等于0。
|
||||
|
||||
- **padding** (`Union[int, tuple[int]]`) – 输入 `x` 两侧的隐式填充。数据类型为int或包含4个整数的tuple。如果 `padding` 是一个整数，那么上、下、左、右的填充都等于 `padding` 。如果 `padding` 是一个有4个整数的tuple，那么上、下、左、右的填充分别等于 `padding[0]`、`padding[1]`、`padding[2]` 和 `padding[3]`。默认值：0。
|
||||
- **dilation** (`Union[int, tuple[int]]`) – 指定用于扩张卷积的扩张速率。数据类型为整型或具有2个整型的tuple。如果设置 :math:`k > 1`，则每个采样位置将跳过 :math:`k-1` 个像素。其值必须大于或等于1，并以输入的高度和宽度为边界。默认值：1。
|
||||
- **group** (`int`) – 将过滤器分组， `in_channels` 和 `out_channels` 必须被组数整除。当组数大于1时，不支持达芬奇（Davinci）设备。默认值：1.
|
||||
- **has_bias** (`bool`) – 指定图层是否使用偏置向量。默认值：False。
|
||||
- **weight_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 卷积核的初始化方法。它可以是Tensor，str，初始化实例或numbers.Number。当使用str时，可选“TruncatedNormal”，“Normal”，“Uniform”，“HeUniform”和“XavierUniform”分布以及常量“One”和“Zero”分布的值，可接受别名“ xavier_uniform”，“ he_uniform”，“ ones”和“ zeros”。上述字符串大小写均可。更多细节请参考Initializer的值。默认值：“normal”。
|
||||
- **bias_init** (`Union[Tensor, str, Initializer, numbers.Number]`) – 偏置向量的初始化方法。可以使用的初始化方法和字符串与“weight_init”相同。更多细节请参考Initializer的值。默认值：“zeros”。
|
||||
|
||||
**输入** ：
|
||||
|
||||
- **x** (Tensor) - Shape 为 :math:`(N, C_{in}, H_{in}, W_{in})` 的Tensor。
|
||||
|
||||
**输出** ：
|
||||
|
||||
Tensor，shape为 :math:`(N, C_{out}, H_{out}, W_{out})` 。
|
||||
|
||||
**异常** ：
|
||||
|
||||
- **TypeError** - 如果 `in_channels`，`out_channels` 或者 `group` 不是整数。
|
||||
- **TypeError** - 如果 `kernel_size`，`stride`，`padding` 或者 `dilation` 既不是整数也不是tuple。
|
||||
- **ValueError** - 如果 `in_channels`，`out_channels`，`kernel_size`，`stride` 或者 `dilation` 小于1。
|
||||
- **ValueError** - 如果 `padding` 小于0。
|
||||
- **ValueError** - 如果 `pad_mode` 不是“same”，“valid”，“pad”中的一个。
|
||||
- **ValueError** - 如果 `padding` 是一个长度不等于4的tuple。
|
||||
- **ValueError** - 如果 `pad_mode` 不等于“pad”且 `padding` 不等于(0,0,0,0)。
|
||||
|
||||
**支持平台** ：
|
||||
|
||||
`Ascend` `GPU` `CPU`
|
||||
|
||||
**样例** :
|
||||
>>> net = nn.Conv2dTranspose(3, 64, 4, has_bias=False, weight_init='normal', pad_mode='pad')
|
||||
>>> x = Tensor(np.ones([1, 3, 16, 50]), mindspore.float32)
|
||||
>>> output = net(x).shape
|
||||
>>> print(output)
|
||||
(1, 64, 19, 53)
|
||||
Loading…
Reference in New Issue