BatchNorm3d

类 torch.nn.BatchNorm3d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

对 5D 输入应用批量归一化。

5D 输入是指一个由 3D 输入组成的 mini-batch，并增加了通道维度，如论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中所述。

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

均值和标准差是按维度在 mini-batch 上计算的，而 $\gamma$ 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器计算，等同于 torch.var(input, unbiased=False)。然而，存储在标准差移动平均中的值是通过无偏估计器计算的，等同于 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。运行估计值的更新使用默认的 momentum 值 0.1。

如果 track_running_stats 设置为 False，则此层不保留运行估计值，而是在评估期间也使用 batch 统计量。

注意

此 momentum 参数与优化器类中使用的以及传统意义上的动量不同。数学上，这里的运行统计量的更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估计统计量，$x_t$ 是新的观测值。

由于批量归一化是基于 C 维度进行的，在 (N, D, H, W) 切片上计算统计量，通常称之为 Volumetric Batch Normalization（体批量归一化）或 Spatio-temporal Batch Normalization（时空批量归一化）。

参数

• num_features (int) – 来自期望输入大小为 $(N, C, D, H, W)$ 中的 $C$

• eps (float) – 添加到分母上的值，用于提高数值稳定性。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 表示累积移动平均（即简单平均）。默认值：0.1

• affine (bool) – 布尔值，当设置为 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，当设置为 True 时，此模块跟踪运行均值和方差；当设置为 False 时，此模块不跟踪这些统计量，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 batch 统计量。默认值：True

形状

• 输入: $(N, C, D, H, W)$

• 输出: $(N, C, D, H, W)$ (形状与输入相同)

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)