InstanceNorm2d

class torch.nn.InstanceNorm2d(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。

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

对小批量中的每个对象，分别按维度计算平均值和标准差。 $\gamma$ 和 $\beta$ 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 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估计的统计量，$x_t$ 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 $(N, C, H, W)$ 或 $(C, H, W)$ 中的 $C$。

• 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： $(N, C, H, W)$ 或 $(C, H, W)$

• 输出： $(N, C, H, W)$ 或 $(C, H, W)$（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)