快捷方式

BatchNorm1d

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

对 2D 或 3D 输入应用批标准化。

论文中描述的方法 批标准化:通过减少内部协变量偏移加速深度网络训练

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

每个维度上的均值和标准差是在小批量上计算的,γ\gammaβ\beta 是大小为 C 的可学习参数向量(其中 C 是输入特征或通道的数量)。默认情况下,γ\gamma 的元素设置为 1,β\beta 的元素设置为 0。在训练过程的前向传递中,标准差是通过有偏估计计算的,等价于 torch.var(input, unbiased=False)。但是,存储在标准差移动平均值中的值是通过无偏估计计算的,等价于 torch.var(input, unbiased=True)

同样默认情况下,在训练期间,此层会持续跟踪计算出的均值和方差的运行估计值,这些估计值随后用于评估期间的标准化。运行估计值使用默认的 momentum 值 0.1 进行跟踪。

如果将 track_running_stats 设置为 False,则此层不会跟踪运行估计值,而是在评估时也使用批次统计信息。

注意

momentum 参数不同于优化器类中使用的参数以及动量的传统概念。从数学上讲,此处运行统计信息的更新规则为 x^new=(1momentum)×x^+momentum×xt\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t, 其中 x^\hat{x} 是估计的统计量,而 xtx_t 是新的观测值。

由于批标准化是在 C 维度上完成的,对 (N, L) 切片进行统计计算,因此通常将其称为时间批标准化。

参数
  • num_features (int) – 输入的特征或通道数 CC

  • eps (float) – 添加到分母中的一个值,用于数值稳定性。默认值:1e-5

  • momentum (Optional[float]) – 用于计算 running_mean 和 running_var 的值。可以设置为 None 以实现累积移动平均(即简单平均)。默认值:0.1

  • affine (bool) – 一个布尔值,当设置为 True 时,此模块具有可学习的仿射参数。默认值:True

  • track_running_stats (bool) – 一个布尔值,当设置为 True 时,此模块跟踪运行均值和方差,当设置为 False 时,此模块不跟踪此类统计信息,并将统计信息缓冲区 running_meanrunning_var 初始化为 None。当这些缓冲区为 None 时,此模块始终在训练和评估模式下都使用批次统计信息。默认值:True

形状
  • 输入:(N,C)(N, C)(N,C,L)(N, C, L),其中 NN 是批次大小,CC 是特征或通道的数量,而 LL 是序列长度

  • 输出: (N,C)(N, C)(N,C,L)(N, C, L)(与输入形状相同)

示例

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

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源