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。

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

在每个小批量上，按维度计算均值和标准差，并且$\gamma$ 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 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估计的统计量，$x_t$ 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 $(N, C, H, W)$ 中的 $C$。

• 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_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：$(N, C, H, W)$

• 输出：$(N, C, H, W)$（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)