BatchNorm1d

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

应用于二维或三维输入上的批量归一化。

论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中描述的方法。

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

均值和标准差是在 mini-batch 上按维度计算的，$\gamma$ 和 $\beta$ 是大小为 C（其中 C 是输入的特征或通道数）的可学习参数向量。默认情况下，$\gamma$ 的元素设置为 1，$\beta$ 的元素设置为 0。在训练时的前向传播中，方差通过有偏估计器计算，相当于 torch.var(input, unbiased=False)。然而，存储在方差移动平均值中的值是通过无偏估计器计算的，相当于 torch.var(input, unbiased=True)。

同样默认情况下，在训练期间，该层会保留其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时的归一化。运行估计值以默认的 momentum 0.1 进行更新。

如果 track_running_stats 设置为 False，则此层不保留运行估计值，而是在评估时也使用 batch 统计数据。

注意

这里的 momentum 参数不同于优化器类中使用的动量概念，也不同于传统的动量概念。数学上，这里运行统计量的更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估计的统计量，$x_t$ 是新的观测值。

由于批量归一化是沿着 C 维度进行的，即在 (N, L) 切片上计算统计量，因此通常将其称为时序批量归一化（Temporal Batch Normalization）。

参数

• num_features (int) – 输入的特征或通道数 $C$

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

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

• affine (bool) – 一个布尔值，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，设置为 True 时，此模块跟踪运行均值和方差；设置为 False 时，此模块不跟踪这些统计量，并将统计缓冲区 running_mean 和 running_var 初始化为 None。当这些缓冲区为 None 时，此模块在训练和评估模式下始终使用 batch 统计数据。默认值：True

形状

• 输入形状：$(N, C)$ 或 $(N, C, L)$，其中 $N$ 是 batch 大小，$C$ 是特征或通道数，$L$ 是序列长度

• 输出形状：$(N, C)$ 或 $(N, C, L)$（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)