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。
x ] V a r [ x ] + ϵ ∗ γ + β y = \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, 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
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。在数学上,此处运行统计数据的更新规则为 , 其中 是估计的统计量,而 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 中的 。
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:0.1affine (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_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次统计信息。默认值:True
- 形状
输入:
输出:(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)