快捷方式

InstanceNorm3d

class torch.nn.InstanceNorm3d(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 Instance Normalization: The Missing Ingredient for Fast Stylization 中所述,对 5D 输入(具有额外通道维度的 3D 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

均值和标准差分别针对小批量中的每个对象按维度计算。如果 affineTrue,则 γ\gammaβ\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 0.1 进行跟踪。

注意

这个 momentum 参数与优化器类中使用的参数以及动量的传统概念不同。在数学上,这里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,而 xtx_t 是新的观测值。

注意

InstanceNorm3dLayerNorm 非常相似,但有一些细微的差别。InstanceNorm3d 应用于通道数据的每个通道,例如具有 RGB 颜色的 3D 模型,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 InstanceNorm3d 通常不应用仿射变换。

参数
  • num_features (int) – 期望输入大小为 (N,C,D,H,W)(N, C, D, H, W)(C,D,H,W)(C, D, H, W) 中的 CC

  • eps (float) – 添加到分母以确保数值稳定性的值。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) – 一个布尔值,当设置为 True 时,此模块具有可学习的仿射参数,初始化方式与批量归一化相同。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都使用批次统计信息。默认值:False

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

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

示例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm3d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm3d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> 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者的深度教程

查看教程

资源

查找开发资源并获得问题的解答

查看资源