PixelShuffle¶

paddle.nn. PixelShuffle ( upscale_factor, data_format='NCHW', name=None ) [源代码] ¶

将一个形为 \([N, C, H, W]\) 或是 \([N, H, W, C]\) 的 Tensor 重新排列成形为 \([N, C/r^2, H \times r, W \times r]\) 或 \([N, H \times r, W \times r, C/r^2]\) 的 Tensor。这样做有利于实现步长（stride）为 \(1/r\) 的高效 sub-pixel（亚像素）卷积。详见 Shi 等人在 2016 年发表的论文 Real Time Single Image and Video Super Resolution Using an Efficient Sub Pixel Convolutional Neural Network 。

         给定一个形为  x.shape = [1, 9, 4, 4]  的 4-D Tensor
设定：upscale_factor=3
那么输出 Tensor 的形为：[1, 1, 12, 12]

        

参数¶

upscale_factor （int) - 增大空间分辨率的增大因子

data_format (str，可选) - 数据格式，可选："NCHW"或"NHWC"，默认："NCHW"

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¶

x (Tensor)：默认形状为（批大小，通道数，高度，宽度），即 NCHW 格式的 4-D Tensor 或 NHWC 格式的 4-DTensor。其数据类型为 float32, float64。

output (Tensor)：默认形状为（批大小，通道数，输出特征高度，输出特征宽度），即 NCHW 格式或 NHWC 的 4-D Tensor。其数据类型与输入相同。

返回¶

计算 PixelShuffle 的可调用对象

代码示例¶

          >>> import paddle
>>> import paddle.nn as nn

>>> x = paddle.randn(shape=[2, 9, 4, 4])
>>> pixel_shuffle = nn.PixelShuffle(3)
>>> out = pixel_shuffle(x)
>>> print(out.shape)
[2, 1, 12, 12]

         