Python PyTorch BatchNorm1d用法及代码示例

本文简要介绍python语言中 torch.nn.BatchNorm1d 的用法。

用法:

class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

参数：

• num_features-C 来自大小为 (N, C, L) 的预期输入或来自大小为 (N, L) 的输入的 L

• eps-加到分母上的值，以保证数值稳定性。默认值：1e-5

• momentum-用于 running_mean 和 running_var 计算的值。可以设置为None 用于累积移动平均(即简单平均)。默认值：0.1

• affine-一个布尔值，当设置为 True 时，此模块具有可学习的仿射参数。默认值：True

• track_running_stats-一个布尔值，当设置为 True 时，此模块跟踪运行均值和方差，当设置为 False 时，此模块不跟踪此类统计信息，并将统计缓冲区 running_mean 和 running_var 初始化为 None .当这些缓冲区为 None 时，此模块始终使用批处理统计信息。在训练和评估模式下。默认值：True

如本文所述，在 2D 或 3D 输入(具有可选附加通道维度的小批量 1D 输入)上应用批量标准化批量标准化：通过减少内部协变量偏移来加速深度网络训练.

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

均值和标准差是在小批量上按维度计算的，\gamma 和 \beta 是大小为 C 的可学习参数向量(其中 C 是输入大小)。默认情况下，\gamma 的元素设置为 1，\beta 的元素设置为 0。标准差通过有偏估计器计算，等效于 torch.var(input, unbiased=False)。

同样默认情况下，在训练期间，该层会继续对其计算的均值和方差进行估计，然后在评估期间将其用于归一化。运行估计保持默认 momentum 为 0.1。

如果 track_running_stats 设置为 False ，则该层不会继续运行估计，并且在评估期间也会使用批处理统计信息。

注意

这个momentum 参数不同于优化器类中使用的参数和传统的动量概念。在数学上，这里运行统计的更新规则是 \hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t ，其中 \hat{x} 是估计的统计量，而 x_t 是新的观察值。

因为批量标准化是在 C 维度上完成的，计算 (N, L) 切片的统计信息，所以将其称为时间批量标准化是常见的术语。

形状：

• 输入：(N, C) 或 (N, C, L)

• 输出：(N, C) 或 (N, C, L)(与输入的形状相同)

例子：

>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = torch.randn(20, 100)
>>> output = m(input)