Python mxnet.ndarray.InstanceNorm用法及代码示例

用法:
mxnet.ndarray.InstanceNorm(data=None, gamma=None, beta=None, eps=_Null, out=None, name=None, **kwargs)

参数：

data：(NDArray) - 形式为 [batch, channel, spatial_dim1, spatial_dim2, ...] 的 n 维输入数组 (n > 2)。
gamma：(NDArray) - 一个长度为 ‘channel’ 的向量，它与归一化输入相乘。
beta：(NDArray) - 一个长度为 ‘channel’ 的向量，它被添加到归一化输入和权重的乘积中。
eps：(float, optional, default=0.00100000005) - 一个epsilon防止除以 0 的参数。
out：(NDArray, optional) - 输出 NDArray 来保存结果。

out：- 此函数的输出。

返回类型：

NDArray 或 NDArray 列表

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：

\[out = \frac{x - mean[data]}{ \sqrt{Var[data]} + \epsilon} * gamma + beta\]

该层类似于批标准化层(BatchNorm)，但有两个区别：首先，标准化是按示例(实例)执行的，而不是在批次上执行。其次，在测试和训练时都应用相同的归一化。此操作也称为 contrast normalization 。

如果输入数据的形状为 [batch, channel, spacial_dim1, spacial_dim2, ...]，gamma 和 beta 参数必须是形状 [channel] 的向量。

此实现基于本文1

1: 实例规范化：快速风格化的缺失成分，D. Ulyanov、A. Vedaldi、V. Lempitsky，2016 (arXiv:1607.08022v2)。

例子：

// Input of shape (2,1,2)
x = [[[ 1.1,  2.2]],
     [[ 3.3,  4.4]]]

// gamma parameter of length 1
gamma = [1.5]

// beta parameter of length 1
beta = [0.5]

// Instance normalization is calculated with the above formula
InstanceNorm(x,gamma,beta) = [[[-0.997527  ,  1.99752665]],
                              [[-0.99752653,  1.99752724]]]

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.ndarray.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。

用法:

参数：

返回：

返回类型：