InstanceNorm3d

class torch.nn.InstanceNorm3d(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。

此操作在 5D 输入（带有附加通道维度的小批量 3D 输入）上应用实例归一化，如论文 Instance Normalization: The Missing Ingredient for Fast Stylization 中所述。

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

均值和标准差是分别针对迷你批次中的每个对象按维度计算的。$\gamma$ 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。标准差是使用有偏估计量计算的，等效于 torch.var(input, unbiased=False)。

默认情况下，此层在训练和评估模式下均使用从输入数据计算的实例统计量。

如果 track_running_stats 设置为 True，则在训练期间，此层会保留其计算的均值和方差的运行估计值，这些值随后在评估期间用于归一化。运行估计值的默认 momentum 为 0.1。

注意

此 momentum 参数与优化器类中使用的动量概念和传统动量概念不同。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 $\hat{x}$ 是估计统计量，$x_t$ 是新的观测值。

注意

InstanceNorm3d 和 LayerNorm 非常相似，但有一些细微差别。InstanceNorm3d 应用于通道数据的每个通道，例如带有 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 应用逐元素的仿射变换，而 InstanceNorm3d 通常不应用仿射变换。

参数

• num_features (int) – $C$，预期输入形状为 $(N, C, D, H, W)$ 或 $(C, D, H, W)$

• eps (float) – 添加到分母上的值，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) – 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，此模块不跟踪这些统计量，并且在训练和评估模式下始终使用批统计量。默认值：False

形状

• 输入: $(N, C, D, H, W)$ 或 $(C, D, H, W)$

• 输出: $(N, C, D, H, W)$ 或 $(C, D, H, W)$ (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)