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 输入应用批归一化。

4D 是 2D 输入的小批量，带有额外的通道维度。方法描述于论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中。

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

均值和标准差是在小批量上逐维度计算的，$\gamma$ 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。在训练时期的前向传递中，标准差通过有偏估计量计算，等效于 torch.var(input, unbiased=False)。但是，存储在标准差的移动平均值中的值是通过无偏估计量计算的，等效于 torch.var(input, unbiased=True)。

同样默认情况下，在训练期间，此层会保留其计算的均值和方差的运行估计值，然后在评估期间将其用于归一化。运行估计值以默认的 momentum 0.1 保留。

如果 track_running_stats 设置为 False，则此层不会保留运行估计值，而是在评估时也使用批统计信息。

注意

此 momentum 参数与优化器类中使用的参数以及动量的传统概念不同。从数学上讲，此处运行统计信息的更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估计的统计信息，而 $x_t$ 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，因此通常将此称为空间批归一化。

参数

• num_features (int) – 来自预期大小为 $(N, C, H, W)$ 的输入的 $C$

• eps (float) – 为了数值稳定性而添加到分母的值。默认值：1e-5

• momentum (Optional[float]) – 用于 running_mean 和 running_var 计算的值。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) – 一个布尔值，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) – 一个布尔值，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都使用批统计信息。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)