GroupNorm

class torch.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, device=None, dtype=None)

对输入的小批量应用组归一化。

此层实现了论文 Group Normalization 中描述的操作。

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

输入通道被分成 num_groups 个组，每个组包含 num_channels / num_groups 个通道。 num_channels 必须能被 num_groups 整除。均值和标准差分别在每个组上计算。 $\gamma$ 和 $\beta$ 是大小为 num_channels 的可学习的逐通道仿射变换参数向量，如果 affine 为 True。标准差是通过有偏估计量计算的，等价于 torch.var(input, unbiased=False)。

此层在训练和评估模式下都使用从输入数据计算的统计信息。

参数

• num_groups (int) – 将通道分成多少组

• num_channels (int) – 输入中预期的通道数

• eps (float) – 添加到分母中的一个值，用于数值稳定性。默认值：1e-5

• affine (bool) – 当设置为 True 时，此模块具有可学习的每个通道仿射参数，初始化为 1（权重）和 0（偏差）。默认值：True。

形状

• 输入：$(N, C, *)$ 其中 $C=\text{num\_channels}$

• 输出：$(N, C, *)$（与输入形状相同）

示例

>>> input = torch.randn(20, 6, 10, 10)
>>> # Separate 6 channels into 3 groups
>>> m = nn.GroupNorm(3, 6)
>>> # Separate 6 channels into 6 groups (equivalent with InstanceNorm)
>>> m = nn.GroupNorm(6, 6)
>>> # Put all 6 channels into a single group (equivalent with LayerNorm)
>>> m = nn.GroupNorm(1, 6)
>>> # Activating the module
>>> output = m(input)