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)[source]#

對 5D 輸入應用批歸一化。

5D 是一個 3D 輸入的 mini-batch，附加了通道維度，如論文 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

均值和標準差是按維度在 mini-batches 上計算的，而 $\gamma$ 和 $\beta$ 是可學習的引數向量，大小為 C（其中 C 是輸入的大小）。預設情況下， $\gamma$ 的元素設定為 1， $\beta$ 的元素設定為 0。在訓練過程的前向傳播中，標準差透過有偏估計量計算，等同於 torch.var(input, unbiased=False)。但是，在移動平均標準差中儲存的值是透過無偏估計量計算的，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

此 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。在數學上，這裡執行統計的更新規則是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ , 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，透過計算 (N, D, H, W) 切片的統計量，因此通常稱之為 Volumetric Batch Normalization 或 Spatio-temporal Batch Normalization。

引數

num_features (int) – 預期輸入尺寸為 $(N, C, D, H, W)$ 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，則此模組跟蹤執行均值和方差；如果設定為 False，則此模組不跟蹤此類統計量，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，此模組始終使用 batch 統計量，在訓練和評估模式下均如此。預設為 True。

形狀

輸入： $(N, C, D, H, W)$
輸出： $(N, C, D, H, W)$ （與輸入形狀相同）

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)

BatchNorm3d#

文件

教程

資源