BatchNorm3d

class torch.nn.BatchNorm3d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

在 5D 輸入上套用批次正規化。

5D 是一個 3D 輸入的小批量，具有額外的通道維度，如論文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中所述。

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

平均值和標準差是針對每個迷你批次 (mini-batches) 的每個維度計算的，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，$\beta$ 的元素設定為 0。 在訓練時的前向傳遞 (forward pass) 中，標準差是通過有偏估計量 (biased estimator) 計算的，相當於 torch.var(input, unbiased=False)。 然而，儲存在標準差的移動平均 (moving average) 中的值是通過無偏估計量 (unbiased estimator) 計算的，相當於 torch.var(input, unbiased=True)。

同樣地，預設情況下，在訓練期間，此層會保留其計算出的平均值和變異數的運行估計 (running estimates)，然後將其用於評估期間的正規化。 運行估計會保留預設的 momentum 0.1。

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

注意

此 momentum 參數與最佳化器類別中使用的參數以及傳統動量的概念不同。在數學上，此處執行統計的更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估計的統計量，而 $x_t$ 是新的觀察值。

因為批次正規化是在 C 維度上完成的，所以計算 (N, D, H, W) 切片的統計數據，通常將其稱為體積批次正規化或時空批次正規化。

參數

• num_features (int) – 來自大小為 $(N, C, D, H, W)$ 的預期輸入中的 $C$

• eps (float) – 一個添加到分母以提高數值穩定性的值。預設值：1e-5

• momentum (Optional[float]) – 用於 running_mean 和 running_var 計算的值。可以設置為 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，當設置為 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量，並將統計資料緩衝區 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： $(N, C, D, H, W)$

• 輸出： $(N, C, D, H, W)$ (與輸入相同的形狀)

範例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)