Python mxnet.symbol.op.InstanceNorm用法及代碼示例

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

參數：

data：(Symbol) - 形式為 [batch, channel, spatial_dim1, spatial_dim2, ...] 的 n 維輸入數組 (n > 2)。
gamma：(Symbol) - 一個長度為 ‘channel’ 的向量，它與歸一化輸入相乘。
beta：(Symbol) - 一個長度為 ‘channel’ 的向量，它被添加到歸一化輸入和權重的乘積中。
eps：(float, optional, default=0.00100000005) - 一個epsilon防止除以 0 的參數。
name：(string, optional.) - 結果符號的名稱。

結果符號。

返回類型：

Symbol

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：

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

該層類似於批標準化層(BatchNorm)，但有兩個區別：首先，標準化是按示例(實例)執行的，而不是在批次上執行。其次，在測試和訓練時都應用相同的歸一化。此操作也稱為 contrast normalization 。

如果輸入數據的形狀為 [batch, channel, spacial_dim1, spacial_dim2, ...]，gamma 和 beta 參數必須是形狀 [channel] 的向量。

此實現基於本文1

1: 實例規範化：快速風格化的缺失成分，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.symbol.op.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。

用法:

參數：

返回：

返回類型：