BatchNorm1d#

class torch.nn.modules.batchnorm.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)[源代码]#

对 2D 或 3D 输入应用批归一化。

该方法在论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中进行描述。

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

均值和标准差是根据输入的小批量（mini-batches）按维度计算的，而 $\gamma$ 和 $\beta$ 是可学习的参数向量，其大小为 C（其中 C 是输入的特征或通道数）。默认情况下， $\gamma$ 的元素被设置为 1， $\beta$ 的元素被设置为 0。在训练过程的前向传播中，方差是使用有偏估计量计算的，等同于 torch.var(input, unbiased=False)。然而，存储在方差的移动平均值中的值是使用无偏估计量计算的，等同于 torch.var(input, unbiased=True)。

同样，默认情况下，在训练期间，该层会保持其计算出的均值和方差的运行估计，这些估计随后用于评估期间的归一化。运行估计使用默认的 momentum 值 0.1 进行保持。

如果将 track_running_stats 设置为 False，则该层将不再保持运行估计，而是会在评估期间也使用批统计数据。

注意

这里的 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，这里运行统计量的更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 其中 $\hat{x}$ 是估计的统计量， $x_t$ 是新的观测值。

由于 Batch Normalization 是在 C 维度上进行的，即按 (N, L) 切片计算统计量，因此通常称之为 Temporal Batch Normalization（时序批量归一化）。

参数

num_features (int) – 输入的特征或通道数 $C$
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。可以设置为 None 以进行累积移动平均（即简单平均）。默认值：0.1
affine (bool) – 一个布尔值，如果设置为 True，则该模块具有可学习的仿射参数。默认值：True
track_running_stats (bool) – 一个布尔值，当设置为 True 时，该模块会跟踪运行均值和方差；当设置为 False 时，该模块不会跟踪这些统计量，并将统计量缓冲区 running_mean 和 running_var 初始化为 None。当这些缓冲区为 None 时，该模块在训练和评估模式下始终使用批统计量。默认为 True

形状

输入： $(N, C)$ 或 $(N, C, L)$ ，其中 $N$ 是批次大小， $C$ 是特征或通道数， $L$ 是序列长度
输出： $(N, C)$ 或 $(N, C, L)$ （形状与输入相同）

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = torch.randn(20, 100)
>>> output = m(input)

BatchNorm1d#

文档

教程

资源