快捷方式

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。

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

在每个小批量上,按维度计算均值和标准差,并且γ\gammaβ\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,γ\gamma 的元素设置为 1,β\beta 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

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 x^new=(1momentum)×x^+momentum×xt\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t, 其中 x^\hat{x} 是估计的统计量,xtx_t 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 (N,C,H,W)(N, C, H, W) 中的 CC

  • 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:0.1

  • 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,并将统计信息缓冲区 running_meanrunning_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:(N,C,H,W)(N, C, H, W)

  • 输出:(N,C,H,W)(N, C, H, W)(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)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源