快捷方式

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。

y=xE[x]Var[x]+ϵγ+βy = \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 affineTrue,则 γ\gammaβ\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

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x^new=(1momentum)×x^+momentum×xt\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t, 其中x^\hat{x}是估计的统计量,而xtx_t是新的观测值。

注意

InstanceNorm1dLayerNorm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CC

  • 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)(N, C, L)(C,L)(C, L)

  • 输出:(N,C,L)(N, C, L)(C,L)(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)

文档

访问 PyTorch 的全面开发者文档

查看文档

教程

获取适合初学者和高级开发人员的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源