InstanceNorm1d

類 torch.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)

應用例項歸一化。

此操作對 2D（非批處理）或 3D（批處理）輸入應用例項歸一化，正如論文 Instance Normalization: The Missing Ingredient for Fast Stylization 中所述。

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

均值和標準差是針對 mini-batch 中每個物件的每個維度分別計算的。$\gamma$ 和 $\beta$ 是大小為 C（其中 C 是輸入的特徵數或通道數）的可學習引數向量，如果 affine 為 True。方差透過有偏估計量計算，等價於 torch.var(input, unbiased=False)。

預設情況下，此層在訓練和評估模式下都使用從輸入資料計算的例項統計資訊。

如果 track_running_stats 設定為 True，則在訓練期間此層會保留其計算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。執行估計值的預設 momentum 為 0.1。

注意

此 momentum 引數不同於最佳化器類中使用的動量以及傳統的動量概念。數學上，此處執行統計資訊的更新規則是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$(1−momentum)×x^+momentum×xt​，其中 $\hat{x}$ 是估計的統計資訊，$x_t$ 是新的觀測值。

注意

InstanceNorm1d 和 LayerNorm 非常相似，但存在一些細微差別。InstanceNorm1d 應用於通道化資料的每個通道，如多維時間序列，而 LayerNorm 通常應用於整個樣本，並常用於 NLP 任務。此外，LayerNorm 應用逐元素仿射變換，而 InstanceNorm1d 通常不應用仿射變換。

引數

• num_features (int) – 輸入特徵數或通道數 $C$

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

• momentum (Optional[float]) – 用於計算 running_mean 和 running_var 的值。預設值：0.1

• affine (bool) – 一個布林值，當設定為 True 時，此模組具有可學習的仿射引數，初始化方式與批歸一化相同。預設值：False。

• track_running_stats (bool) – 一個布林值，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資訊，並且在訓練和評估模式下始終使用 batch 統計資訊。預設值：False

形狀

• 輸入：$(N, C, L)$ 或 $(C, L)$

• 輸出：$(N, C, L)$ 或 $(C, L)$ （形狀與輸入相同）

示例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm1d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm1d(100, affine=True)
>>> input = torch.randn(20, 100, 40)
>>> output = m(input)