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)

對 4D 輸入應用 Batch Normalization。

4D 是一個包含額外通道維度的 2D 輸入的 mini-batch。該方法在論文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中進行了描述。

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

均值和標準差是按維度在 mini-batch 上計算的，而 $\gamma$ 和 $\beta$ 是長度為 C（其中 C 是輸入通道數）的可學習引數向量。預設情況下，$\gamma$ 的元素設定為 1，$\beta$ 的元素設定為 0。在訓練階段的前向傳播中，標準差是使用有偏估計器計算的，等價於 torch.var(input, unbiased=False)。然而，在移動平均中儲存的標準差值是使用無偏估計器計算的，等價於 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

此 momentum 引數與最佳化器類中使用的引數以及傳統的 momentum 概念不同。數學上，這裡執行統計資料的更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 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 通道上完成的，即在 (N, H, W) 切片上計算統計量，因此通常稱之為空間批歸一化（Spatial Batch Normalization）。

引數

• num_features (int) – 期望輸入形狀為 $(N, C, H, W)$ 時的 $C$。

• 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，如果設定為 True，則該模組跟蹤執行均值和方差；如果設定為 False，則該模組不跟蹤這些統計資料，並將統計緩衝區 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資料。預設值：True

形狀

• 輸入：$(N, C, H, W)$

• 輸出：$(N, C, H, W)$ （與輸入形狀相同）

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)