Función Tensorflow.js tf.layers.conv2dTranspose()

Tensorflow.js es una biblioteca de código abierto desarrollada por Google para ejecutar modelos de aprendizaje automático y redes neuronales de aprendizaje profundo en el entorno del navegador o del Node. También ayuda a los desarrolladores a desarrollar modelos ML en lenguaje JavaScript y puede usar ML directamente en el navegador o en Node.js.

La función tf.layers.conv2dTranspose() se usa para transponer circunvoluciones, lo que generalmente surge del deseo de usar una transformación que vaya en la dirección opuesta a una convolución normal. Cuando se usa esta capa como la primera capa en un modelo, proporciona la configuración inputShape, por ejemplo, inpuShape: [ 64, 64, 5 ] para imágenes RGB de 64 x 64 en formato de datos: ‘channelsLast’.

Sintaxis:

tf.layers.conv2dTranspose( args )

Parámetros: 

• args: Acepta objetos como parámetros con los siguientes campos:
  • filtros: Es la dimensionalidad del espacio de salida que es el número de filtros en la convolución. 
  • kernelSize: Son las dimensiones de las ventanas de convolución. Si kernelSize es un número, la ventana de convolución será cuadrada.
  • zancadas: Son las zancadas de la convolución en cada dimensión. Si los pasos son un número, los pasos en ambas dimensiones son iguales.
  • padding: Define el modo padding.
  • dataFormat: Define el formato de los datos, lo que determina el orden de las dimensiones en la entrada. 
  • dilationRate: Define la tasa de dilatación a utilizar para la convolución de dilatación en cada dimensión. Debe ser un número entero o una array o dos o tres números enteros.
  • activación: Es la función de activación de la capa.
  • useBias: Define si se utiliza o no un vector de sesgo.
  • kernelInitializer: es el inicializador de la array de pesos del kernel de convolución.
  • biasInitializer: Es el inicializador para el vector de polarización.
  • kernelConstraint: Es la restricción para la array de pesos del kernel de convolución.
  • biasCosnstraint: Es la restricción para el vector de sesgo.
  • kernelRegularizer: Es una función regularizadora aplicada a la array de pesos del kernel.
  • biasRegularizer: Es una función de regularización aplicada a un vector de sesgo.
  • activityRegularizer: Es una función regularizadora aplicada a la activación.
  • inputShape: debe ser una array de números. Este campo se usa para crear una capa de entrada que se usa para insertarse antes de esta capa.
  • batchInputShape: debe ser una array de números. Este campo se usará si inputShape y este campo se proporcionan como parámetro para crear la capa de entrada que se usa para insertar antes de esta capa.
  • tamaño del lote: debe ser un número. En ausencia de batchInputShape, este campo se usa para crear batchInputShape con inputShape. batchInputShape : [ tamaño del lote , … forma de entrada ].
  • dtype: si esta capa se usa como capa de entrada, este campo se usa como el tipo de datos para esta capa.
  • nombre: Debe ser un tipo de string. este campo define el nombre de esta capa.
  • entrenable: debe ser booleano. Este campo define si los pesos de esta capa se pueden entrenar con ajuste o no.
  • pesos: Este debería ser un tensor que defina el valor de peso inicial para esta capa.
  • inputDType: este es un tipo de datos que se utiliza para el soporte heredado.

Valor devuelto: Devuelve Conv2DTranspose

Ejemplo 1:

// Import the header file
import * as tf from "@tensorflow/tfjs"
  
// Creating seprableConv2d layer
const conv2dTranspose = tf.layers.conv2dTranspose({
    filters: 3, kernelSize: 8,
    batchInputShape: [2, 3, 5]
});
  
// Create an input with 2 time steps.
const input = tf.input({ shape: [4, 5, 8] });
const output = conv2dTranspose.apply(input);
  
// Printing the Shape of file
console.log(JSON.stringify(output.shape));

Producción:

[null,11,12,3]

Ejemplo 2:

// Import Header file
import * as tf from "@tensorflow/tfjs"
  
// Creating input layer
const inputShape = [1, 1, 1, 2];
const input = tf.ones(inputShape);
  
// Creating upSampling layer
const layer = tf.layers.conv2dTranspose({
    filters: 2, kernelSize: 2,
    batchInputShape: [1, 2, 3]
});
  
// Printing tensor
const output = layer.apply(input);
output.print();

Producción:

Tensor
    [[[[0.081374  , -0.2834765],
       [-0.1283467, -0.2375581]],

      [[-0.791486 , 0.2895283 ],
       [-0.2392025, -0.1721524]]]]

Referencia: https://js.tensorflow.org/api/latest/#layers.conv2dTranspose