InstanceNorm2d

class torch.nn.InstanceNorm2d(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。

此操作对 4D 输入（一个 2D 输入的迷你批次，附加了通道维度）应用实例归一化，如论文 Instance Normalization: The Missing Ingredient for Fast Stylization 所述。

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

为 mini-batch 中的每个对象分别按维度计算均值和标准差。$\gamma$ 和 $\beta$ 是可学习的参数向量，大小为 C（其中 C 是输入大小），当 affine 设置为 True 时。标准差通过有偏估计量计算，等价于 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，在训练期间，此层将保留其计算出的均值和方差的运行估计，然后在评估期间用于归一化。运行估计的默认 momentum 为 0.1。

注意

此处的 momentum 参数与优化器类中使用的参数以及常规的 momentum 概念不同。数学上，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 $\hat{x}$ 是估计的统计量，$x_t$ 是新的观测值。

注意

InstanceNorm2d 和 LayerNorm 非常相似，但存在一些细微的差别。InstanceNorm2d 应用于带通道的数据（如 RGB 图像）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 InstanceNorm2d 通常不应用仿射变换。

参数

• num_features (int) – 预期的输入大小为 $(N, C, H, W)$ 或 $(C, H, W)$ 中的 $C$。

• 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。默认为：0.1

• affine (bool) – 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) – 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。默认为：False

形状

• 输入：$(N, C, H, W)$ 或 $(C, H, W)$

• 输出：$(N, C, H, W)$ 或 $(C, H, W)$ （与输入形状相同）

示例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm2d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)