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。

此操作在 5D 输入（包含额外通道维度的 3D 输入的小批量）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

均值和标准差是为小批量中的每个对象分别按维度计算的。 $\gamma$ 和 $\beta$ 是长度为 C（C 为输入大小）的可学习参数向量，前提是 affine 为 True。标准差是通过有偏估计量计算的，等同于 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信息。

如果将 track_running_stats 设置为 True，则在训练期间，此层会保持其计算出的均值和方差的运行估计，这些估计随后在评估期间用于归一化。运行估计使用默认的 momentum (0.1) 进行保持。

注意

此处的 momentum 参数与优化器类中使用的动量以及传统的动量概念不同。数学上，此处运行统计的更新规则为： $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 其中 $\hat{x}$ 是估计的统计量， $x_t$ 是新的观测值。

注意

InstanceNorm3d 和 LayerNorm 非常相似，但存在一些细微差别。InstanceNorm3d 应用于具有 RGB 颜色的 3D 模型等通道化数据的每个通道，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 InstanceNorm3d 通常不应用仿射变换。

参数

num_features (int) – 期望输入大小为 $(N, C, D, H, W)$ 或 $(C, D, H, W)$ 中的 $C$ 。
eps (float) – 为了数值稳定性添加到分母中的值。默认值：1e-5
momentum (Optional[float]) – 用于 running_mean 和 running_var 计算的值。默认为 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。默认为 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信息，并且在训练和评估模式下始终使用批次统计信息。默认为 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)

InstanceNorm3d#

文档

教程

资源