Python 在Tensorflow中使用3d转置卷积进行上采样

我在Tensorflow中定义了3D转置卷积，如下所示：

def weights(shape):
    return tf.Variable(tf.truncated_normal(shape, mean = 0.0, stddev=0.1))

def biases(shape):
    return tf.Variable(tf.constant(value = 0.1, shape = shape))

def trans_conv3d(x, W, output_shape, strides, padding):
    return tf.nn.conv3d_transpose(x, W, output_shape, strides, padding)

def transconv3d_layer(x, shape, out_shape, strides, padding):
   # shape: [depth, height, width, output_channels, in_channels].
   # output_shape: [batch, depth, height, width, output_channels]
    W = weights(shape)
    b = biases([shape[4]]) 
    return tf.nn.elu(trans_conv3d(x, W, out_shape, strides, padding) + b)

假设我有一个4D张量

x

，它来自上一层，形状为

[2,1,1,10]

，其中

批次=2

，

深度=1

，

高度=1

，

宽度=1

，以及

，如图所示

我如何使用
transconv3d\u层
在一系列层上增加采样
x
，以获得最终形状，如
[21000100100,10]
或类似的东西？我不清楚如何通过转置层跟随张量的形状。
以下是您可以使用它的方法：

input = tf.random_normal(shape=[2, 1, 1, 1, 10])
deconv1 = transconv3d_layer(input,
                            shape=[2, 3, 3, 10, 10],
                            out_shape=[2, 50, 50, 50, 10],
                            strides=[1, 1, 1, 1, 1],
                            padding='SAME')
deconv2 = transconv3d_layer(deconv1,
                            shape=[2, 3, 3, 10, 10],
                            out_shape=[2, 100, 100, 100, 10],
                            strides=[1, 1, 1, 1, 1],
                            padding='SAME')
# deconv3 ...

print(deconv1)  # Tensor("Elu:0", shape=(2, 50, 50, 50, 10), dtype=float32)
print(deconv2)  # Tensor("Elu_1:0", shape=(2, 100, 100, 100, 10), dtype=float32)

基本上，您应该将每个
out\u形状指定为您希望向上采样的形状：
（2,50,50,50,10）
，
（2,100,100,10）

为了清楚起见，下面是上面不同张量的维数的含义：

input shape:  [batch, depth, height, width, in_channels]
filter shape: [depth, height, width, output_channels, in_channels]
output shape: [batch, depth, height, width, output_channels]

多谢各位。但是，如果我想在一系列转置卷积层上，一个接一个地得到[21001001010]的形状，该怎么办？我不确定我是否理解这个设计。通常，该层从上一层获取输入，因此您将有一个DECONV-DECONV。。。图案这就是你的意思吗？或者你的意思是来自同一输入的多个DECONV层？我不确定这是前一个还是后一个，但它看起来是这样的：
x=tf.random\u normal（shape=[2,1,1,1,10]）
transconv1=transconv3d\u层（x，shape=s1，out\u shape=o1，strips=st1，padding=pd1）
transconv2=transconv3d\u层（transconv1，shape=s2，out\u shape=o2，跨步=st2，padding=pd2）
其中transconv2的形状应该是
[21000100100，10]
，这更有意义。但是请注意，在第一个conv层之后，形状已经是
[21000100100,10]
。因此，向上采样到相同的形状是没有意义的。如果您愿意，您应该应用一个正常的卷积，但是如果我想使用几个反卷积层来达到
[210001001010]
的最终形状，那么上采样是渐进的，而不是一次性的呢？例如，
transconv1
可能有一个形状
[2,50,50,10]
，然后
transconv2
将有形状
[2,100,100,10]
，因为它是最后一层。