InstanceNorm2d¶

class torch.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)[source][source]¶

應用 Instance Normalization（實例正規化）。

此操作對 4D 輸入（具有額外通道維度的 2D 輸入的小批量）應用 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小批量中每個物件的每個維度分別計算的。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 是輸入大小）。標準差是透過有偏差的估計器計算的，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，此層會保留對其計算出的平均值和變異數的執行估計值，然後在評估期間將其用於正規化。執行估計值會以預設的 momentum 0.1 保留。

注意

此 momentum 參數與優化器類別和傳統動量的概念不同。在數學上，此處運算統計的更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 其中 $\hat{x}$ 是估計的統計量，而 $x_t$ 是新的觀測值。

注意

InstanceNorm2d 和 LayerNorm 非常相似，但有一些細微的差異。InstanceNorm2d 應用於通道數據（如 RGB 圖像）的每個通道，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 應用逐元素仿射變換 (elementwise affine transform)，而 InstanceNorm2d 通常不應用仿射變換。

參數

num_features (int) – 從大小為 $(N, C, H, W)$ 或 $(C, H, W)$ 的預期輸入中的 $C$
eps (float) – 為了數值穩定性，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。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 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 running mean 和 variance；當設定為 False 時，此模組不追蹤這些統計數據，並且在訓練和評估模式下始終使用 batch 統計數據。預設值：False

形狀

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

範例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm2d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)

InstanceNorm2d¶

文件

教學

資源