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 。
x ] + ϵ ∗ γ + β y = \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, 和 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, 的元素设置为 1, 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
此
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 , 其中 是估计的统计量,而 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
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:0.1affine (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_mean
和running_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: 或 ,其中 是批次大小, 是特征或通道的数量,而 是序列长度
输出: 或 (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)