BatchNorm1d

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

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 。

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

每个维度上的均值和标准差是在小批量上计算的，$\gamma$ 和 $\beta$ 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，$\gamma$ 的元素设置为 1，$\beta$ 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

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 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估计的统计量，而 $x_t$ 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 $C$

• 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_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：$(N, C)$ 或 $(N, C, L)$，其中 $N$ 是批次大小，$C$ 是特征或通道的数量，而 $L$ 是序列长度

• 输出: $(N, C)$ 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)