InstanceNorm1d

class torch.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)

应用实例归一化。

此操作根据论文 Instance Normalization: The Missing Ingredient for Fast Stylization 中的描述，对 2D（未批处理）或 3D（已批处理）输入应用实例归一化。

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

均值和标准差是针对小批量中的每个对象分别按维度计算的。如果 affine 为 True，则 $\gamma$ 和 $\beta$ 是大小为 C（其中 C 是输入的特征或通道数）的可学习参数向量。标准差通过有偏估计量计算，等效于 torch.var(input, unbiased=False)。

默认情况下，此层在训练和评估模式下都使用从输入数据计算的实例统计信息。

如果将track_running_stats设置为True，则在训练期间，此层会持续跟踪其计算的均值和方差的运行估计值，然后在评估期间用于归一化。运行估计值使用默认的momentum值0.1进行维护。

注意

此momentum参数与优化器类中使用的参数以及传统的动量概念不同。在数学上，这里运行统计信息的更新规则为$\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中$\hat{x}$是估计的统计量，而$x_t$是新的观测值。

注意

InstanceNorm1d和LayerNorm非常相似，但有一些细微的差别。InstanceNorm1d应用于像多维时间序列这样的通道数据的每个通道，而LayerNorm通常应用于整个样本，并且通常用于NLP任务。此外，LayerNorm应用逐元素仿射变换，而InstanceNorm1d通常不应用仿射变换。

参数

• num_features (int) – 输入的特征或通道数$C$

• eps (float) – 添加到分母以保证数值稳定性的值。默认值：1e-5

• momentum (Optional[float]) – 用于计算running_mean和running_var的值。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，初始化方式与批归一化相同。默认值：False。

• track_running_stats (bool) – 布尔值，当设置为True时，此模块会跟踪运行均值和方差，当设置为False时，此模块不会跟踪此类统计信息，并且始终在训练和评估模式下都使用批统计信息。默认值：False

形状

• 输入：$(N, C, L)$或$(C, L)$

• 输出：$(N, C, L)$或$(C, L)$（与输入相同的形状）

示例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm1d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm1d(100, affine=True)
>>> input = torch.randn(20, 100, 40)
>>> output = m(input)