Python PyTorch InstanceNorm2d用法及代码示例

本文简要介绍python语言中 torch.nn.InstanceNorm2d 的用法。

用法:

class torch.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)

参数：

• num_features-C 来自大小为 (N, C, H, W) 的预期输入

• 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。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，其初始化方式与批量标准化相同。默认值：False。

• 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，并且始终在训练和评估模式下使用批处理统计信息。默认值：False

如论文中所述，在 4D 输入(具有附加通道维度的小批量 2D 输入)上应用实例归一化实例规范化：快速风格化的缺失成分.

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

均值和标准差是针对小批量中的每个对象分别计算每个维度的。 \gamma 和 \beta 是大小为 C(其中 C 是输入大小)的可学习参数向量，如果 affine 是 True 。标准差是通过有偏估计器计算的，相当于 torch.var(input, unbiased=False) 。

默认情况下，该层使用从训练和评估模式中的输入数据计算的实例统计信息。

如果 track_running_stats 设置为 True ，则在训练期间，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。

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。

注意

InstanceNorm2d 和 LayerNorm 非常相似，但有一些细微的差别。 InstanceNorm2d 应用于通道数据(如 RGB 图像)的每个通道，但 LayerNorm 通常应用于整个样本，并且经常用于 NLP 任务。此外， LayerNorm 应用逐元素仿射变换，而 InstanceNorm2d 通常不应用仿射变换。

形状：

• 输入：(N, C, H, W)

• 输出：(N, C, H, W)(与输入的形状相同)

例子：

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm2d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)