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。
对小批量中的每个对象,分别按维度计算平均值和标准差。 和 是大小为 C(其中 C 是输入大小)的可学习参数向量,如果
affine
为True
。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
此
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 , 其中 是估计的统计量, 是新观察到的值。注意
InstanceNorm2d
和LayerNorm
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 或 中的 。
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: 或
输出: 或 (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)