BatchNorm2d¶
- class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)[source]¶
对 4D 输入应用批归一化。
4D 是具有额外通道维度的 2D 输入的小批量。方法在论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中描述。
在每个小批量上,按维度计算均值和标准差,并且 和 是大小为 C(其中 C 是输入大小)的可学习参数向量。默认情况下, 的元素设置为 1, 的元素设置为 0。在训练期间的前向传递中,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,此层会持续跟踪其计算出的均值和方差的运行估计,然后在评估期间用于归一化。运行估计使用默认的
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,并且在评估期间也使用批次统计信息。注意
此
momentum
参数与优化器类中使用的参数以及传统的动量概念不同。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, 是新的观测值。由于批归一化是在 C 维度上完成的,计算 (N, H, W) 切片上的统计信息,因此通常将其称为空间批归一化。
- 参数
num_features (int) – 期望输入大小为 中的 。
eps (float) – 添加到分母中的值,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
以进行累积移动平均(即简单平均)。默认值:0.1affine (bool) – 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) – 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使用批次统计信息。默认值:True
- 形状
输入:
输出:(与输入相同的形状)
示例
>>> # With Learnable Parameters >>> m = nn.BatchNorm2d(100) >>> # Without Learnable Parameters >>> m = nn.BatchNorm2d(100, affine=False) >>> input = torch.randn(20, 100, 35, 45) >>> output = m(input)