BatchNorm2d¶

class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)[source][source]¶

對 4D 輸入應用批次正規化（Batch Normalization）。

4D 是 2D 輸入的一個小批次（mini-batch），帶有額外的通道維度。此方法描述於論文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中。

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

平均值和標準差是在小批次（mini-batch）上逐維度計算的，而 $\gamma$ 和 $\beta$ 是大小為 C（其中 C 是輸入大小）的可學習參數向量。預設情況下， $\gamma$ 的元素設定為 1，而 $\beta$ 的元素設定為 0。在訓練期間的正向傳播（forward pass）中，標準差通過有偏估計器計算，相當於 torch.var(input, unbiased=False)。然而，儲存在標準差的移動平均中的值是透過無偏估計器計算的，相當於 torch.var(input, unbiased=True)。

同樣，預設情況下，在訓練期間，此層會保留其計算的平均值和變異數的運行估計值，這些估計值隨後用於評估期間的正規化。運行估計值會保留預設 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料。

注意

這個 momentum 參數與優化器類別中使用的參數和傳統的動量概念不同。在數學上，此處運行統計資料的更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 其中 $\hat{x}$ 是估計的統計資料，而 $x_t$ 是新的觀測值。

由於批次正規化 (Batch Normalization) 是在 C 維度上完成的，因此會在 (N, H, W) 切片上計算統計資料，因此通常將其稱為空間批次正規化 (Spatial Batch Normalization)。

參數

num_features (int) – 來自大小為 $(N, C, H, W)$ 的預期輸入中的 $C$
eps (float) – 為了數值穩定性而新增至分母的值。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) – 一個布林值，當設定為 True 時，此模組具有可學習的 affine 參數。預設值：True
track_running_stats (bool) – 一個布林值，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數據，並且會將統計緩衝區 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資訊，無論是在訓練模式還是在評估模式下。預設值：True

形狀

輸入: $(N, C, H, W)$
輸出: $(N, C, H, W)$ (與輸入形狀相同)

範例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm2d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm2d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)

BatchNorm2d¶

文件

教學

資源