InstanceNorm1d

类 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。

此操作对 2D（非批处理）或 3D（批处理）输入应用实例归一化，正如论文 Instance Normalization: The Missing Ingredient for Fast Stylization 中所述。

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

均值和标准差是针对 mini-batch 中每个对象的每个维度分别计算的。$\gamma$ 和 $\beta$ 是大小为 C（其中 C 是输入的特征数或通道数）的可学习参数向量，如果 affine 为 True。方差通过有偏估计量计算，等价于 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 track_running_stats 设置为 True，则在训练期间此层会保留其计算的均值和方差的运行估计值，这些估计值随后用于评估期间的归一化。运行估计值的默认 momentum 为 0.1。

注意

此 momentum 参数不同于优化器类中使用的动量以及传统的动量概念。数学上，此处运行统计信息的更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$(1−momentum)×x^+momentum×xt​，其中 $\hat{x}$ 是估计的统计信息，$x_t$ 是新的观测值。

注意

InstanceNorm1d 和 LayerNorm 非常相似，但存在一些细微差别。InstanceNorm1d 应用于通道化数据的每个通道，如多维时间序列，而 LayerNorm 通常应用于整个样本，并常用于 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) – 输入特征数或通道数 $C$

• eps (float) – 添加到分母上的值，用于数值稳定性。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) – 一个布尔值，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) – 一个布尔值，当设置为 True 时，此模块跟踪运行均值和方差；当设置为 False 时，此模块不跟踪这些统计信息，并且在训练和评估模式下始终使用 batch 统计信息。默认值：False

形状

• 输入：$(N, C, L)$ 或 $(C, L)$

• 输出：$(N, C, L)$ 或 $(C, L)$ （形状与输入相同）

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)