快捷方式

BatchNorm3d

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

对 5D 输入应用批标准化。

5D 是 3D 输入的小批量,并具有额外的通道维度,如论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中所述。

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

均值和标准差是在小批量中按维度计算的,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量计算的,等效于 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量计算的,等效于 torch.var(input, unbiased=True)

默认情况下,在训练期间,此层会持续跟踪计算得到的均值和方差的估计值,然后在评估期间用于标准化。运行估计值使用默认的 momentum 值 0.1 进行维护。

如果将 track_running_stats 设置为 False,则此层不会持续跟踪估计值,而是在评估期间也使用批次统计数据。

注意

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。在数学上,此处运行统计数据的更新规则为 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,而 xtx_t 是新的观测值。

由于批标准化是在 C 维度上完成的,对 (N, D, H, W) 切片计算统计数据,因此通常将其称为体积批标准化或时空批标准化。

参数
  • num_features (int) – 预期输入大小为 (N,C,D,H,W)(N, C, D, H, W) 中的 CC

  • eps (float) – 添加到分母以确保数值稳定性的值。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,此模块会跟踪运行均值和方差,设置为 False 时,此模块不会跟踪此类统计信息,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,此模块在训练和评估模式下始终使用批次统计信息。默认值:True

形状
  • 输入:(N,C,D,H,W)(N, C, D, H, W)

  • 输出:(N,C,D,H,W)(N, C, D, H, W)(与输入相同的形状)

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)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取针对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