BatchNorm3d

class torch.nn.modules.batchnorm.BatchNorm3d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

对 5D 输入应用批归一化。

5D 是 3D 输入的迷你批次，其中包含额外的通道维度，如论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中所述。

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

均值和标准差是按维度在迷你批次上计算的，而 $\gamma$ 和 $\beta$ 是长度为 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。在训练阶段的前向传播中，标准差使用有偏估计量计算，等价于 torch.var(input, correction=0)。然而，存储在运行标准差平均值中的值是使用无偏估计量计算的，等价于 torch.var(input, correction=1)。

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意义上的动量不同。数学上，此处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。

由于 Batch Normalization 是在 C 维度上进行的，在 (N, D, H, W) 切片上计算统计量，因此通常称之为体素批归一化（Volumetric Batch Normalization）或时空批归一化（Spatio-temporal Batch Normalization）。

参数:

• num_features (int) – 预期的输入大小为 $(N, C, D, H, W)$ 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 (float | None) – 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）。默认为：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，本模块跟踪运行均值和方差；当设置为 False 时，本模块不跟踪这些统计量，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，本模块始终使用批次统计量，无论是在训练还是评估模式下。默认为 True。

形状

• 输入： $(N, C, D, H, W)$

• 输出： $(N, C, D, H, W)$ (与输入形状相同)

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)