Python mxnet.gluon.nn.InstanceNorm用法及代码示例

用法:
class mxnet.gluon.nn.InstanceNorm(axis=1, epsilon=1e-05, center=True, scale=False, beta_initializer='zeros', gamma_initializer='ones', in_channels=0, **kwargs)

参数：

axis：(int, default 1) - 将在标准化过程中排除的轴。这通常是通道 (C) 轴。例如，经过Conv2D层与layout=’NCHW’，放axis=1在InstanceNorm.如果layout=’NHWC’，然后设置axis=3.数据将沿不包括第一个轴和给定轴的轴进行归一化。
epsilon：(float, default 1e-5) - 添加到方差中的小浮点数以避免除以零。
center：(bool, default True) - 如果为真，则添加偏移量beta归一化张量。如果为假，beta被忽略。
scale：(bool, default True) - 如果为真，则乘以gamma.如果为假，gamma未使用。当下一层是线性的(例如nn.relu)，这可以被禁用，因为缩放将由下一层完成。
beta_initializer：(字符串或Initializer, 默认 ‘zeros’) - beta 权重的初始化器。
gamma_initializer：(字符串或Initializer, 默认 ‘ones’) - 伽马权重的初始化器。
in_channels：(int, default 0) - 输入数据中的通道数(特征图)。如果不指定，初始化将推迟到第一次forward被称为和in_channels将从输入数据的形状推断。

基础：mxnet.gluon.block.HybridBlock

将实例归一化应用于 n 维输入数组。此运算符采用 (n>2) 的 n 维输入数组，并使用以下公式对输入进行归一化：

\[ \begin{align}\begin{aligned}\bar{C} = \{i \mid i \neq 0, i \neq axis\}\\out = \frac{x - mean[data, \bar{C}]}{ \sqrt{Var[data, \bar{C}]} + \epsilon} * gamma + beta\end{aligned}\end{align} \]

输入：

data：: 任意形状的输入张量。

输出：

out：：输出具有相同形状的张量data.

参考：

实例规范化：快速风格化的缺失成分

例子：

>>> # Input of shape (2,1,2)
>>> x = mx.nd.array([[[ 1.1,  2.2]],
...                 [[ 3.3,  4.4]]])
>>> # Instance normalization is calculated with the above formula
>>> layer = InstanceNorm()
>>> layer.initialize(ctx=mx.cpu(0))
>>> layer(x)
[[[-0.99998355  0.99998331]]
 [[-0.99998319  0.99998361]]]
<NDArray 2x1x2 @cpu(0)>

相关用法

注：本文由纯净天空筛选整理自apache.org大神的英文原创作品 mxnet.gluon.nn.InstanceNorm。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。