InstanceNorm1d¶

class torch.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)[source][source]¶

套用 Instance Normalization（實例正規化）。

此操作對 2D (未批次處理) 或 3D (批次處理) 輸入套用 Instance Normalization，如論文 Instance Normalization: The Missing Ingredient for Fast Stylization 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 mini-batch 中每個物件的每個維度單獨計算的。如果 affine 為 True，則 $\gamma$ 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)。變異數是通過有偏差的估算器計算的，相當於 torch.var(input, unbiased=False)。

預設情況下，此層在訓練和評估模式下都使用從輸入資料計算的實例統計資料。

如果 track_running_stats 設定為 True，則在訓練期間，此層會保持對其計算的平均值和變異數的執行估計，然後將其用於評估期間的正規化。運行估計以預設 momentum 0.1 維持。

注意

這個 momentum 參數與優化器類別 (optimizer classes) 中使用的參數以及傳統動量的概念不同。在數學上，此處運行統計的更新規則是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 其中 $\hat{x}$ 是估計的統計量，而 $x_t$ 是新的觀測值。

注意

InstanceNorm1d 和 LayerNorm 非常相似，但有一些細微的差異。InstanceNorm1d 應用於通道數據 (channeled data) 的每個通道，例如多維時間序列，但 LayerNorm 通常應用於整個樣本，並且經常在 NLP 任務中使用。此外，LayerNorm 應用 elementwise affine 轉換，而 InstanceNorm1d 通常不應用 affine 轉換。

參數

num_features (int) – 輸入的特徵或通道數 $C$
eps (float) – 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。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，其初始化方式與批次正規化 (batch normalization) 相同。預設值：False。
track_running_stats (bool) – 一個布林值，當設定為 True 時，此模組追蹤運行平均值 (running mean) 和變異數 (variance)，而當設定為 False 時，此模組不追蹤此類統計數據，並且始終在訓練和評估模式中使用批次統計數據 (batch statistics)。預設值：False

形狀

輸入： $(N, C, L)$ 或 $(C, L)$
輸出： $(N, C, L)$ 或 $(C, L)$ (與輸入相同的形狀)

範例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm1d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm1d(100, affine=True)
>>> input = torch.randn(20, 100, 40)
>>> output = m(input)

InstanceNorm1d¶

文件

教學

資源