Python mxnet.gluon.nn.InstanceNorm用法及代碼示例

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)

參數：

axis：(int, default 1) - 將在標準化過程中排除的軸。這通常是通道 (C) 軸。例如，經過Conv2D層與layout=’NCHW’，放axis=1在InstanceNorm.如果layout=’NHWC’，然後設置axis=3.數據將沿不包括第一個軸和給定軸的軸進行歸一化。
epsilon：(float, default 1e-5) - 添加到方差中的小浮點數以避免除以零。
center：(bool, default True) - 如果為真，則添加偏移量beta歸一化張量。如果為假，beta被忽略。
scale：(bool, default True) - 如果為真，則乘以gamma.如果為假，gamma未使用。當下一層是線性的(例如nn.relu)，這可以被禁用，因為縮放將由下一層完成。
beta_initializer：(字符串或Initializer, 默認 ‘zeros’) - beta 權重的初始化器。
gamma_initializer：(字符串或Initializer, 默認 ‘ones’) - 伽馬權重的初始化器。
in_channels：(int, default 0) - 輸入數據中的通道數(特征圖)。如果不指定，初始化將推遲到第一次forward被稱為和in_channels將從輸入數據的形狀推斷。

基礎：mxnet.gluon.block.HybridBlock

將實例歸一化應用於 n 維輸入數組。此運算符采用 (n>2) 的 n 維輸入數組，並使用以下公式對輸入進行歸一化：

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

輸入：

data：: 任意形狀的輸入張量。

輸出：

out：：輸出具有相同形狀的張量data.

參考：

實例規範化：快速風格化的缺失成分

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)>

相關用法

注：本文由純淨天空篩選整理自apache.org大神的英文原創作品 mxnet.gluon.nn.InstanceNorm。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。