GroupNorm

class torch.nn.modules.normalization.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, device=None, dtype=None)

對輸入的小批次應用組歸一化。

此層實現了論文 Group Normalization 中描述的操作。

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

輸入通道被分成 num_groups 組，每組包含 num_channels / num_groups 個通道。 num_channels 必須能被 num_groups 整除。均值和標準差在每個組內單獨計算。 $\gamma$ 和 $\beta$ 是可學習的每個通道仿射變換引數向量，其大小為 num_channels，如果 affine 設定為 True。方差透過有偏估計量計算，等同於 torch.var(input, unbiased=False)。

此層在訓練和評估模式下都使用從輸入資料計算的統計量。

引數

• num_groups (int) – 要將通道分離成的組數

• num_channels (int) – 輸入通道數

• eps (float) – 為了數值穩定性新增到分母中的值。預設值：1e-5

• affine (bool) – 一個布林值，當設定為 True 時，該模組具有可學習的每個通道仿射引數，初始化為 1（權重）和 0（偏置）。預設值：True。

形狀

• 輸入： $(N, C, *)$ 其中 $C=\text{num\_channels}$

• 輸出： $(N, C, *)$（與輸入形狀相同）

示例

>>> input = torch.randn(20, 6, 10, 10)
>>> # Separate 6 channels into 3 groups
>>> m = nn.GroupNorm(3, 6)
>>> # Separate 6 channels into 6 groups (equivalent with InstanceNorm)
>>> m = nn.GroupNorm(6, 6)
>>> # Put all 6 channels into a single group (equivalent with LayerNorm)
>>> m = nn.GroupNorm(1, 6)
>>> # Activating the module
>>> output = m(input)