快捷方式

InstanceNorm2d

class torch.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)[源代码]

应用实例归一化。

此操作根据论文 实例归一化:快速风格化的缺失要素 中的描述,对 4D 输入(带有额外通道维度的 2D 输入的小批量)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

对小批量中的每个对象,分别按维度计算平均值和标准差。 γ\gammaβ\beta 是大小为 C(其中 C 是输入大小)的可学习参数向量,如果 affineTrue。标准差是通过有偏估计器计算的,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,此层会保留其计算的平均值和方差的运行估计值,这些估计值随后会在评估期间用于归一化。运行估计值会使用默认的 momentum 0.1 保留。

注意

momentum 参数与优化器类中使用的参数和动量的传统概念不同。在数学上,此处运行统计量的更新规则为 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,xtx_t 是新观察到的值。

注意

InstanceNorm2dLayerNorm 非常相似,但有一些细微的差别。 InstanceNorm2d 应用于像 RGB 图像这样的通道数据的每个通道,而 LayerNorm 通常应用于整个样本,并且常用于 NLP 任务。此外, LayerNorm 应用逐元素仿射变换,而 InstanceNorm2d 通常不应用仿射变换。

参数
  • num_features (int) – 预期输入大小 (N,C,H,W)(N, C, H, W)(C,H,W)(C, H, W) 中的 CC

  • eps (float) – 添加到分母的值,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) – 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,此模块跟踪运行平均值和方差,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批统计信息。默认值: False

形状
  • 输入: (N,C,H,W)(N, C, H, W)(C,H,W)(C, H, W)

  • 输出: (N,C,H,W)(N, C, H, W)(C,H,W)(C, H, W)(与输入相同的形状)

示例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm2d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)

文档

访问 PyTorch 的全面开发人员文档

查看文档

教程

获取针对初学者和高级开发人员的深入教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源