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 Instance Normalization。

此操作对 4D 输入（包含额外通道维度的小批量 2D 输入）应用 Instance Normalization，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小批量中每个对象的每个维度单独计算的。如果 affine 为 True，则 $\gamma$ 和 $\beta$ 是大小为 C （其中 C 是输入大小）的可学习参数向量。标准差是通过有偏估计量计算的，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出的实例统计信息。

如果 track_running_stats 设置为 True，则在训练期间，此层会保留其计算出的均值和方差的运行估计值，然后在评估期间使用这些运行估计值进行归一化。运行估计值以默认的 momentum 0.1 保留。

注意

此 momentum 参数与优化器类中使用的动量参数以及动量的传统概念不同。从数学上讲，此处运行统计信息的更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估计的统计信息，而 $x_t$ 是新的观测值。

注意

InstanceNorm2d 和 LayerNorm 非常相似，但有一些细微的差别。InstanceNorm2d 应用于通道数据的每个通道，例如 RGB 图像，而 LayerNorm 通常应用于整个样本，并且经常用于 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) – 来自预期大小为 $(N, C, H, W)$ 或 $(C, H, W)$ 的输入中的 $C$

• eps (float) – 为了数值稳定性而添加到分母的值。默认值：1e-5

• momentum (Optional[float]) – 用于 running_mean 和 running_var 计算的值。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，其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，此模块不跟踪此类统计信息，并且始终在训练和评估模式下使用批次统计信息。默认值：False

形状

• 输入：$(N, C, H, W)$ 或 $(C, H, W)$

• 输出：$(N, C, H, W)$ 或 $(C, H, W)$ （与输入形状相同）

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)