BatchNorm2d

class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

对 4D 输入应用批量归一化。

4D 是一个包含额外通道维度的 2D 输入小批量。该方法在论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》中有所描述。

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

均值和标准差是按维度在小批量上计算的，$\gamma$ 和 $\beta$ 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，$\gamma$ 的元素设置为 1，$\beta$ 的元素设置为 0。在训练时的前向传播过程中，标准差通过有偏估计量计算，相当于 torch.var(input, unbiased=False)。然而，存储在标准差移动平均中的值通过无偏估计量计算，相当于 torch.var(input, unbiased=True)。

同样默认情况下，在训练期间，此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期间的归一化。运行估计值使用默认的 momentum 值 0.1 进行保留。

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批统计数据。

注意

此 momentum 参数与优化器类中使用的动量概念和传统动量概念不同。数学上，这里的运行统计量更新规则为 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估计统计量，$x_t$ 是新的观测值。

由于批量归一化是在 C 维度上进行的，计算 (N, H, W) 切片上的统计数据，通常将此称为空间批量归一化（Spatial Batch Normalization）。

参数

• num_features (int) – 预期输入大小 $(N, C, H, W)$ 中的 $C$

• eps (float) – 添加到分母中用于数值稳定性的值。默认值: 1e-5

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

• affine (bool) – 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批量统计信息。默认值: True

形状

• 输入: $(N, C, H, W)$

• 输出: $(N, C, H, W)$（与输入形状相同）

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)