BatchNorm2d

class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

對 4D 輸入應用批次歸一化。

4D 是一個包含額外通道維度的 2D 輸入小批次。該方法在論文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》中有所描述。

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

均值和標準差是按維度在小批次上計算的，$\gamma$ 和 $\beta$ 是大小為 C（其中 C 是輸入大小）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過程中，標準差透過有偏估計量計算，相當於 torch.var(input, unbiased=False)。然而，儲存在標準差移動平均中的值透過無偏估計量計算，相當於 torch.var(input, unbiased=True)。

同樣預設情況下，在訓練期間，此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期間的歸一化。執行估計值使用預設的 momentum 值 0.1 進行保留。

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批統計資料。

注意

此 momentum 引數與最佳化器類中使用的動量概念和傳統動量概念不同。數學上，這裡的執行統計量更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估計統計量，$x_t$ 是新的觀測值。

由於批次歸一化是在 C 維度上進行的，計算 (N, H, W) 切片上的統計資料，通常將此稱為空間批次歸一化（Spatial Batch Normalization）。

引數

• num_features (int) – 預期輸入大小 $(N, C, H, W)$ 中的 $C$

• eps (float) – 新增到分母中用於數值穩定性的值。預設值: 1e-5

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

• affine (bool) – 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) – 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，此模組不跟蹤此類統計資訊，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批次統計資訊。預設值: True

形狀

• 輸入: $(N, C, H, W)$

• 輸出: $(N, C, H, W)$（與輸入形狀相同）

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm2d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm2d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)