InstanceNorm1d ¬

class torch.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)

应用实例归一化。

该操作将实例归一化应用于 2D（非批处理）或 3D（批处理）输入，具体方法如论文《实例归一化：快速风格化的缺失成分》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分别计算，每个迷你批次的每个对象单独计算。如果 affine 等于 True ，则 $\gamma$ 和 $\beta$ 是大小为 C（C 是输入的特征或通道数）的可学习参数向量。方差通过有偏估计器计算，相当于 torch.var(input, unbiased=False)。

默认情况下，此层在训练和评估模式下都使用从输入数据计算出的实例统计信息。

如果将 track_running_stats 设置为 True ，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 保持。

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。

注意

InstanceNorm1d 和 LayerNorm 非常相似，但有一些细微的差别。 InstanceNorm1d 应用于多维时间序列等通道数据的每个通道，而 LayerNorm 通常应用于整个样本，在 NLP 任务中尤为常见。此外， LayerNorm 应用逐元素仿射变换，而 InstanceNorm1d 通常不应用仿射变换。

参数:

• num_features (int) – 输入的 $C$ 特征或通道数

• eps (float) – 为数值稳定性添加到分母的值。默认：1e-5

• 动量（可选[浮点数]）- 用于计算 running_mean 和 running_var 的值。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，初始化方式与批量归一化相同。默认： False 。

• 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，在训练和评估模式下始终使用批量统计信息。默认： False 。

形状：

• 输入： $(N, C, L)$ 或 $(C, L)$

• 输出： $(N, C, L)$ 或 $(C, L)$ （与输入相同形状）

示例：

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm1d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm1d(100, affine=True)
>>> input = torch.randn(20, 100, 40)
>>> output = m(input)