BatchNorm3d

類 torch.nn.BatchNorm3d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

對 5D 輸入應用批次歸一化。

5D 輸入是指一個由 3D 輸入組成的 mini-batch，並增加了通道維度，如論文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中所述。

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

均值和標準差是按維度在 mini-batch 上計算的，而 $\gamma$ 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器計算，等同於 torch.var(input, unbiased=False)。然而，儲存在標準差移動平均中的值是透過無偏估計器計算的，等同於 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。執行估計值的更新使用預設的 momentum 值 0.1。

如果 track_running_stats 設定為 False，則此層不保留執行估計值，而是在評估期間也使用 batch 統計量。

注意

此 momentum 引數與最佳化器類中使用的以及傳統意義上的動量不同。數學上，這裡的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 $\hat{x}$ 是估計統計量，$x_t$ 是新的觀測值。

由於批次歸一化是基於 C 維度進行的，在 (N, D, H, W) 切片上計算統計量，通常稱之為 Volumetric Batch Normalization（體批次歸一化）或 Spatio-temporal Batch Normalization（時空批次歸一化）。

引數

• num_features (int) – 來自期望輸入大小為 $(N, C, D, H, W)$ 中的 $C$

• eps (float) – 新增到分母上的值，用於提高數值穩定性。預設值：1e-5

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

• affine (bool) – 布林值，當設定為 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，當設定為 True 時，此模組跟蹤執行均值和方差；當設定為 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 統計量。預設值：True

形狀

• 輸入: $(N, C, D, H, W)$

• 輸出: $(N, C, D, H, W)$ (形狀與輸入相同)

示例

>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)