BatchNorm1d

class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

應用於二維或三維輸入上的批次歸一化。

論文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中描述的方法。

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

均值和標準差是在 mini-batch 上按維度計算的，$\gamma$ 和 $\beta$ 是大小為 C（其中 C 是輸入的特徵或通道數）的可學習引數向量。預設情況下，$\gamma$ 的元素設定為 1，$\beta$ 的元素設定為 0。在訓練時的前向傳播中，方差透過有偏估計器計算，相當於 torch.var(input, unbiased=False)。然而，儲存在方差移動平均值中的值是透過無偏估計器計算的，相當於 torch.var(input, unbiased=True)。

同樣預設情況下，在訓練期間，該層會保留其計算出的均值和方差的執行估計值，這些估計值隨後用於評估時的歸一化。執行估計值以預設的 momentum 0.1 進行更新。

如果 track_running_stats 設定為 False，則此層不保留執行估計值，而是在評估時也使用 batch 統計資料。

注意

這裡的 momentum 引數不同於最佳化器類中使用的動量概念，也不同於傳統的動量概念。數學上，這裡執行統計量的更新規則是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估計的統計量，$x_t$ 是新的觀測值。

由於批次歸一化是沿著 C 維度進行的，即在 (N, L) 切片上計算統計量，因此通常將其稱為時序批次歸一化（Temporal Batch Normalization）。

引數

• num_features (int) – 輸入的特徵或通道數 $C$

• eps (float) – 新增到分母的一個值，用於數值穩定性。預設值：1e-5

• momentum (Optional[float]) – 用於 running_mean 和 running_var 計算的值。可以設定為 None 以進行累積移動平均（即簡單平均）。預設值：0.1

• affine (bool) – 一個布林值，設定為 True 時，此模組具有可學習的仿射引數。預設值：True

• track_running_stats (bool) – 一個布林值，設定為 True 時，此模組跟蹤執行均值和方差；設定為 False 時，此模組不跟蹤這些統計量，並將統計緩衝區 running_mean 和 running_var 初始化為 None。當這些緩衝區為 None 時，此模組在訓練和評估模式下始終使用 batch 統計資料。預設值：True

形狀

• 輸入形狀：$(N, C)$ 或 $(N, C, L)$，其中 $N$ 是 batch 大小，$C$ 是特徵或通道數，$L$ 是序列長度

• 輸出形狀：$(N, C)$ 或 $(N, C, L)$（與輸入形狀相同）

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = torch.randn(20, 100)
>>> output = m(input)