BatchNorm2d

class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

在 4D 输入上应用批量归一化。

4D 是具有额外通道维度的 2D 输入的小批量。该方法在论文批量归一化：通过减少内部协变量偏移加速深度网络训练中描述。

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

均值和标准差是根据小批量（mini-batches）按维度计算的，而 $\gamma$ 和 $\beta$ 是大小为 C（其中 C 是输入大小）的可学习参数向量。默认情况下，$\gamma$ 的元素设置为 1，$\beta$ 的元素设置为 0。在训练时，前向传播中，标准差通过有偏估计器计算，等同于 torch.var(input, unbiased=False)。然而，存储在标准差移动平均中的值是通过无偏估计器计算的，等同于 torch.var(input, unbiased=True)。

此外，默认情况下，在训练期间，此层会保留其计算出的均值和方差的运行估计值，这些估计值随后用于评估期间的归一化。运行估计值的默认 momentum 为 0.1。

如果 track_running_stats 设置为 False，则此层不保留运行估计值，并且在评估时也使用批量统计信息。

注意

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

因为批量归一化是在 C 维度上完成的，即在 (N, H, W) 切片上计算统计量，所以通常将其称为空间批量归一化（Spatial Batch Normalization）。

参数

• num_features (int) – 来自预期输入尺寸 $(N, C, H, W)$ 的 $C$

• eps (float) – 添加到分母的一个值，用于数值稳定性。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 以表示累积移动平均（即简单平均）。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。默认值：True

• 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，并将其统计缓冲区 running_mean 和 running_var 初始化为 None。当这些缓冲区为 None 时，此模块在训练和评估模式下始终使用批量统计信息。默认值：True

形状

• 输入：$(N, C, H, W)$

• 输出：$(N, C, H, W)$ （与输入形状相同）

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm2d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm2d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)