InstanceNorm2d ¬

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

应用实例归一化。

此操作在 4D 输入（包含通道维度的 2D 输入的小批量）上应用实例归一化，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小批量中的每个对象上分别按维度计算。如果 affine 等于 True ，则 $\gamma$ 和 $\beta$ 是大小为 C（C 为输入大小）的可学习参数向量。标准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。这些运行估计值以默认的 momentum 0.1 进行保存。

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

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，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 InstanceNorm2d 通常不应用仿射变换。

参数:

num_features（整数）- $C$ 来自期望输入大小为 $(N, C, H, W)$ 或 $(C, H, W)$ 的输入。
eps (float) – 为数值稳定性添加到分母的值。默认：1e-5
momentum（可选[float]）- 用于计算 running_mean 和 running_var 的值。默认：0.1
affine（bool）- 一个布尔值，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）- 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，在训练和评估模式下始终使用批处理统计信息。默认： False

形状：

输入： $(N, C, H, W)$ 或 $(C, H, W)$
输出： $(N, C, H, W)$ 或 $(C, H, W)$ （与输入相同形状）

示例：

>>> # 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)

InstanceNorm2d ¬

文档

教程

资源