BatchNorm3d ¬

class torch.nn.BatchNorm3d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

对 5D 输入应用批量归一化。

5D 是一个包含额外通道维度的 3D 输入的小批量，如论文《批量归一化：通过减少内部协变量偏移来加速深度网络训练》中所述。

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

均值和标准差在每个维度上对迷你批量进行计算， $\gamma$ 和 $\beta$ 是大小为 C（C 是输入大小）的可学习参数向量。默认情况下， $\gamma$ 的元素设置为 1， $\beta$ 的元素设置为 0。在训练时，通过有偏估计器计算标准差，相当于 torch.var(input, unbiased=False) 。然而，存储在标准差移动平均中的值是通过无偏估计器计算的，相当于 torch.var(input, unbiased=True) 。

默认情况下，在训练过程中，此层会持续计算其计算出的均值和方差，这些值随后用于评估期间的归一化。运行估计值以默认的 momentum 0.1 进行保存。

如果将 track_running_stats 设置为 False ，则此层在评估时间不会保持运行估计，而是使用批统计信息。

注意

此 momentum 参数与优化器类中使用的参数以及传统的动量概念不同。从数学上讲，此处运行统计量的更新规则为 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$ ，其中 $\hat{x}$ 是估计的统计量， $x_t$ 是新的观测值。

由于批量归一化是在 C 维度上进行的，对(N, D, H, W)切片计算统计量，因此通常将此称为体积批量归一化或时空批量归一化。

参数:

• num_features (int) – 从预期输入大小 $(N, C, D, H, W)$ 中提取

• eps (float) – 为数值稳定性添加到分母的值。默认：1e-5

• momentum (Optional[float]) – 用于计算 running_mean 和 running_var 的值。可以设置为 None 以进行累积移动平均（即简单平均）。默认：0.1

• affine (bool) – 当设置为 True 时，此模块具有可学习的仿射参数。默认： True

• track_running_stats (bool) – 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，此模块在训练和评估模式下始终使用批处理统计信息。默认： True

形状：

• 输入: $(N, C, D, H, W)$

• 输出： $(N, C, D, H, W)$ （与输入形状相同）

示例：

>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)