《TensorFlow深度学习算法原理与编程实战》

功能：2D反卷积

定义：

tf.layers.conv2d_transpose(
    inputs,
    filters,
    kernel_size,
    strides=(1, 1),
    padding='valid',
    data_format='channels_last',
    activation=None,
    use_bias=True,
    kernel_initializer=None,
    bias_initializer=tf.zeros_initializer(),
    kernel_regularizer=None,
    bias_regularizer=None,
    activity_regularizer=None,
    kernel_constraint=None,
    bias_constraint=None,
    trainable=True,
    name=None,
    reuse=None
)

参数：

• inputs：输入张量.
• filters：整数,输出空间的维数(即卷积中的滤波器数).
• kernel_size：一个元组或2个正整数的列表,指定过滤器的空间维度；可以是单个整数,以指定所有空间维度的相同值.
• strides：一个元组或2个正整数的列表,指定卷积的步幅；可以是单个整数,以指定所有空间维度的相同值.
• padding：一个"valid"或"same"(不区分大小写).
• data_format：一个字符串,一个channels_last(默认)或channels_first；输入中维度的排序；channels_last对应于具有形状(batch, height, width, channels)的输入侧,而channels_first对应于具有形状(batch, channels, height, width)的输入侧.
• activation：激活功能,将其设置None为保持线性激活.
• use_bias：布尔值,表示该层是否使用偏差.
• kernel_initializer：卷积内核的初始化程序.
• bias_initializer：偏置向量的初始化器；如果为None,将使用默认初始值设定项.
• kernel_regularizer：卷积内核的可选正则化程序.
• bias_regularizer：偏置矢量的可选正则化程序.
• activity_regularizer：输出的可选正则化函数.
• kernel_constraint：由一个Optimizer更新后应用于内核的可选投影函数(例如,用于实现层权重的范数约束或值约束),该函数必须将未投影的变量作为输入,并且必须返回投影变量(必须具有相同的形状).在进行异步分布式培训时,使用约束是不安全的.
• bias_constraint：由一个Optimizer更新后应用于偏差的可选投影函数.
• trainable：布尔值,如果为True,还将变量添加到图产品集合GraphKeys.TRAINABLE_VARIABLES中.
• name：字符串,图层的名称.
• reuse：布尔值,是否以同一名称重用前一层的权重.

返回：

输出张量.

可能引发的异常：

• ValueError：如果启用了eager执行.