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)[原始碼]#

對 2D 或 3D 輸入應用批歸一化。

該方法在論文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中進行描述。

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

均值和標準差是根據輸入的小批次（mini-batches）按維度計算的，而 $\gamma$ 和 $\beta$ 是可學習的引數向量，其大小為 C（其中 C 是輸入的特徵或通道數）。預設情況下， $\gamma$ 的元素被設定為 1， $\beta$ 的元素被設定為 0。在訓練過程的前向傳播中，方差是使用有偏估計量計算的，等同於 torch.var(input, unbiased=False)。然而，儲存在方差的移動平均值中的值是使用無偏估計量計算的，等同於 torch.var(input, unbiased=True)。

同樣，預設情況下，在訓練期間，該層會保持其計算出的均值和方差的執行估計，這些估計隨後用於評估期間的歸一化。執行估計使用預設的 momentum 值 0.1 進行保持。

如果將 track_running_stats 設定為 False，則該層將不再保持執行估計，而是會在評估期間也使用批統計資料。

注意

這裡的 momentum 引數與最佳化器類中使用的動量以及傳統的動量概念不同。數學上，這裡執行統計量的更新規則是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 其中 $\hat{x}$ 是估計的統計量， $x_t$ 是新的觀測值。

由於 Batch Normalization 是在 C 維度上進行的，即按 (N, L) 切片計算統計量，因此通常稱之為 Temporal Batch Normalization（時序批次歸一化）。

引數

num_features (int) – 輸入的特徵或通道數 $C$
eps (float) – 為了數值穩定性新增到分母中的值。預設值：1e-5
momentum (Optional[float]) – 用於 running_mean 和 running_var 計算的值。可以設定為 None 以進行累積移動平均（即簡單平均）。預設值：0.1
affine (bool) – 一個布林值，如果設定為 True，則該模組具有可學習的仿射引數。預設值：True
track_running_stats (bool) – 一個布林值，當設定為 True 時，該模組會跟蹤執行均值和方差；當設定為 False 時，該模組不會跟蹤這些統計量，並將統計量緩衝區 running_mean 和 running_var 初始化為 None。當這些緩衝區為 None 時，該模組在訓練和評估模式下始終使用批統計量。預設為 True

形狀

輸入： $(N, C)$ 或 $(N, C, L)$ ，其中 $N$ 是批次大小， $C$ 是特徵或通道數， $L$ 是序列長度
輸出： $(N, C)$ 或 $(N, C, L)$ （形狀與輸入相同）

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#

文件

教程

資源