Fold

paddle.nn. Fold ( output_sizes, kernel_sizes, dilations=1, paddings=0, strides=1, name=None ) [源代码]

将一个滑动局部块组合成一个大的张量。通常也被称为 col2im,用于批处理二维图像张量。Fold 通过对所有包含块的值求和来计算结果中的每个大张量的组合值。

对于输入 x,如果形状为[N, C_in, L],其输出形状[N, C_out, H_out, W_out],计算过程如下:

\[\begin{split}H_{out} &= output\_size[0] \\ W_{out} &= output\_size[1] \\ C_{out} &= \frac{C_{in}}{kernel\_sizes[0]\times kernel\_sizes[1]} \\\end{split}\]

注解

对应的 functional 方法 请参考:fold

参数

  • output_sizes (int|list|tuple) – 输出尺寸,整数或者整型列表。如为列表类型应包含两个元素 [output_size_h, output_size_w]。如果为整数 o,则输出形状会被认为 [o, o]

  • kernel_size (int|list|tuple) - 卷积核大小,整数或者整型列表。如为列表类型应包含两个元素 [k_h, k_w]。如果为整数 k,则输出形状会被认为 [k, k]

  • strides (int|list|tuple,可选) - 步长大小,整数或者整型列表。如为列表类型应包含两个元素 [stride_h, stride_w]。如果为整数 stride,则输出形状会被认为 [sride, stride]。默认为[1,1]。

  • paddings (int|list|tuple,可选) – 每个维度的扩展,整数或者整型列表。如果为整型列表,长度应该为 4 或者 2;长度为 4 对应的 padding 参数是:[padding_top, padding_left,padding_bottom, padding_right],长度为 2 对应的 padding 参数是[padding_h, padding_w],会被当作[padding_h, padding_w, padding_h, padding_w]处理。如果为整数 padding,则会被当作[padding, padding, padding, padding]处理。默认值为 0。

  • dilations (int|list|tuple,可选) – 卷积膨胀,整型列表或者整数。如果为整型列表,应该包含两个元素[dilation_h, dilation_w]。如果是整数 dilation,会被当作整型列表[dilation, dilation]处理。默认值为 1。

  • name (str,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。

形状

  • 输入 :4-D Tensor,形状为[N, C_in, L],数据类型为 float32 或者 float64

  • 输出 :形状如上面所描述的[N, Cout, H, W],数据类型与 x 相同

代码示例

import paddle
import paddle.nn as nn

x = paddle.randn([2,3*2*2,12])
fold = nn.Fold(output_sizes=[4, 5], kernel_sizes=2)
y = fold(x)
# y.shape = [2,3,4,5]