BatchNorm1d¶

class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)[原始碼][原始碼]¶

在 2D 或 3D 輸入上套用批次正規化。

論文中描述的方法批次正規化：透過減少內部協變異數轉移加速深度網路訓練。

y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta

均值和標準差是針對每個 mini-batch 的每個維度計算的，而 $\gamma$ 和 $\beta$ 是大小為 C 的可學習參數向量（其中 C 是輸入的特徵或通道數）。預設情況下， $\gamma$ 的元素設定為 1，而 $\beta$ 的元素設定為 0。在正向傳播的訓練時，方差是通過有偏估計量計算的，相當於 torch.var(input, unbiased=False)。然而，儲存在方差的移動平均中的值，是透過無偏估計量計算的，相當於 torch.var(input, unbiased=True)。

同樣，預設情況下，在訓練期間，此層會持續追蹤其計算出的均值和方差的運行估計值，然後將這些估計值用於評估期間的正規化。運行估計值會保留預設的 momentum 值 0.1。

如果 track_running_stats 設定為 False，則此層不會保留運行估計值，而是在評估時也使用批次統計資訊。

注意

此 momentum 引數與優化器類別中使用的引數以及傳統的動量概念不同。在數學上，此處的 running statistics 更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ ，其中 $\hat{x}$ 是估計的統計量，而 $x_t$ 是新的觀測值。

由於 Batch Normalization 是針對 C 維度進行的，因此在 (N, L) 切片上計算統計量，通常將其稱為 Temporal Batch Normalization（時序批次正規化）。

參數

num_features (int) – 輸入的特徵或通道數 $C$
eps (float) – 為了數值穩定性而添加到分母的值。預設值：1e-5
momentum (Optional[float]) – 用於 running_mean 和 running_var 計算的值。可以設定為 None 以進行累積移動平均（即簡單平均）。預設值：0.1
affine (bool) – 布林值，當設定為 True 時，此模組具有可學習的仿射參數。預設值：True
track_running_stats (bool) – 布林值，當設定為 True 時，此模組會追蹤 running mean 和 variance；當設定為 False 時，此模組不會追蹤這些統計量，並將統計量緩衝區 running_mean 和 running_var 初始化為 None。當這些緩衝區為 None 時，此模組始終使用批次統計量，無論是在訓練模式還是評估模式下。預設值：True

形狀

輸入： $(N, C)$ 或 $(N, C, L)$ ，其中 $N$ 為批次大小（batch size）， $C$ 為特徵數量或通道數量（number of features or channels），而 $L$ 為序列長度（sequence length）。
輸出： $(N, C)$ 或 $(N, C, L)$ (與輸入形狀相同)

範例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = torch.randn(20, 100)
>>> output = m(input)

BatchNorm1d¶

文件

教學

資源