BatchNorm2d¶
- class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)[source][source]¶
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。
均值和标准差是按维度在小批量上计算的, 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 ,其中 是估计统计量, 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 中的
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: 0.1affine (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:
输出: (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)