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。
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
affine
为True
,则 和 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 , 其中 是估计的统计量,而 是新的观测值。注意
InstanceNorm3d
和LayerNorm
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 或 中的 。
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: 或
输出: 或 (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)