torch.quantized_batch_norm

torch.quantized_batch_norm(input, weight=None, bias=None, mean, var, eps, output_scale, output_zero_point) → Tensor

在一个 4D（NCHW）量化张量上应用批量归一化。

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

参数:

• 输入（张量）- 量化张量

• 权重（张量）- 对应伽马值的浮点张量，大小为 C

• 偏置（张量）- 对应贝塔值的浮点张量，大小为 C

• 均值（张量）- 批标准化中的浮点均值，大小为 C

• var (Tensor) – 浮点方差张量，大小为 C

• eps (浮点数) – 为数值稳定性添加到分母的值。

• output_scale (浮点数) – 输出量化张量缩放

• output_zero_point (整数) – 输出量化张量零点

返回值:

应用批归一化的量化张量。

返回类型:

张量

示例：

>>> qx = torch.quantize_per_tensor(torch.rand(2, 2, 2, 2), 1.5, 3, torch.quint8)
>>> torch.quantized_batch_norm(qx, torch.ones(2), torch.zeros(2), torch.rand(2), torch.rand(2), 0.00001, 0.2, 2)
tensor([[[[-0.2000, -0.2000],
      [ 1.6000, -0.2000]],

     [[-0.4000, -0.4000],
      [-0.4000,  0.6000]]],


    [[[-0.2000, -0.2000],
      [-0.2000, -0.2000]],

     [[ 0.6000, -0.4000],
      [ 0.6000, -0.4000]]]], size=(2, 2, 2, 2), dtype=torch.quint8,
   quantization_scheme=torch.per_tensor_affine, scale=0.2, zero_point=2)