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 \([N, C/r^2, H \times r, W \times r]\)\([N, H \times r, W \times r, C/r^2]\) 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]