InstanceNorm1d¶
- class torch.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)[source]¶
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。
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 和 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, 其中是估计的统计量,而是新的观测值。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
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:或
输出:或(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)