BatchNorm2d

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

对 4D 输入应用 Batch Normalization。

4D 是一个包含额外通道维度的 2D 输入的 mini-batch。该方法在论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中进行了描述。

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

均值和标准差是按维度在 mini-batch 上计算的，而 $\gamma$ 和 $\beta$ 是长度为 C（其中 C 是输入通道数）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。在训练阶段的前向传播中，标准差是使用有偏估计器计算的，等价于 torch.var(input, unbiased=False)。然而，在移动平均中存储的标准差值是使用无偏估计器计算的，等价于 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

此 momentum 参数与优化器类中使用的参数以及传统的 momentum 概念不同。数学上，这里运行统计数据的更新规则为 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估计的统计量，$x_t$ 是新的观测值。

由于 Batch Normalization 是在 C 通道上完成的，即在 (N, H, W) 切片上计算统计量，因此通常称之为空间批归一化（Spatial Batch Normalization）。

参数

• num_features (int) – 期望输入形状为 $(N, C, H, W)$ 时的 $C$。

• 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。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，如果设置为 True，则该模块跟踪运行均值和方差；如果设置为 False，则该模块不跟踪这些统计数据，并将统计缓冲区 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数据。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)