Función PyTorch torch.nn.ConvTranspose2d

PyTorch torch.nn 参考手册Manual de referencia de PyTorch torch.nn

torch.nn.ConvTranspose2dEs una convolución transpuesta bidimensional en PyTorch, también conocida como deconvolución o convolución de sobremuestreo.

Se utiliza para sobremuestrear mapas de características y es un componente clave en redes generativas y de segmentación.

Definición de la función

torch.nn.ConvTranspose2d(in_channels, out_channels, kernel_size, stride=1, padding=0, output_padding=0, groups=1, bias=True, dilation=1)

Parámetros

  • output_padding: relleno adicional de salida

Ejemplos de uso

Ejemplo 1: Uso básico

Ejemplo

import torch
import torch.nn as nn

# Convolución transpuesta: sobremuestreo
deconv = nn.ConvTranspose2d(in_channels=64, out_channels=64, kernel_size=2, stride=2)

x = torch.randn(1, 64, 16, 16)
output = deconv(x)

print("Entrada:", x.shape, "-> Salida:", output.shape)

Ejemplo 2: Red generativa

Ejemplo

import torch
import torch.nn as nn

# Generador DCGAN simplificado
class Generator(nn.Module):
    def __init__(self, latent_dim=100):
        super(Generator, self).__init__()
        self.fc = nn.Linear(latent_dim, 512 * 4 * 4)

        self.deconv = nn.Sequential(
            nn.ConvTranspose2d(512, 256, 4, 2, 1),  # 4->8
            nn.BatchNorm2d(256),
            nn.ReLU(),
            nn.ConvTranspose2d(256, 128, 4, 2, 1),  # 8->16
            nn.BatchNorm2d(128),
            nn.ReLU(),
            nn.ConvTranspose2d(128, 64, 4, 2, 1),   # 16->32
            nn.BatchNorm2d(64),
            nn.ReLU(),
            nn.ConvTranspose2d(64, 3, 4, 2, 1),      # 32->64
            nn.Tanh()
        )

    def forward(self, x):
        x = self.fc(x).view(-1, 512, 4, 4)
        return self.deconv(x)

gen = Generator()
z = torch.randn(1, 100)
img = gen(z)

print("Ruido:", z.shape, "-> Imagen:", img.shape)

Ejemplo 3: Sobremuestreo en redes de segmentación

Ejemplo

import torch
import torch.nn as nn

# Parte del decodificador U-Net
decoder = nn.Sequential(
    nn.ConvTranspose2d(256, 128, kernel_size=2, stride=2),
    nn.Conv2d(128, 128, 3, padding=1),
    nn.ReLU(),
    nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2),
    nn.Conv2d(64, 64, 3, padding=1),
    nn.ReLU()
)

x = torch.randn(1, 256, 8, 8)
output = decoder(x)

print("Entrada:", x.shape, "-> Salida:", output.shape)

Ejemplo 4: Cálculo de salida con stride=2

Ejemplo

import torch
import torch.nn as nn

# Diferentes configuraciones
configs = [
    (1, 1, 0),  # stride=1, padding=0
    (2, 1, 0),  # stride=2, padding=0
    (2, 1, 1),  # stride=2, padding=1
]

x = torch.randn(1, 64, 4, 4)

for stride, k, p in configs:
    deconv = nn.ConvTranspose2d(64, 64, kernel_size=k, stride=stride, padding=p)
    out = deconv(x)
    print(f"k={k}, s={stride}, p={p}: {x.shape} -> {out.shape}")

Escenarios de uso

  • Redes generativas: GAN、VAE
  • Segmentación semántica: U-Net
  • Sobremuestreo: reemplazo de pooling

Nota: la convolución transpuesta no es la operación inversa de la convolución, solo es una forma de sobremuestreo.

PyTorch torch.nn 参考手册Manual de referencia de PyTorch torch.nn

Otras extensiones