InstanceNorm2d

class torch.nn.InstanceNorm2d(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（Instance Normalization）。

此操作在 4D 輸入（包含額外通道維度的 mini-batch 2D 輸入）上應用例項歸一化，如論文 Instance Normalization: The Missing Ingredient for Fast Stylization 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 中的每個物件，對每個維度分別計算的。$\gamma$ 和 $\beta$ 是大小為 C（其中 C 是輸入大小）的可學習引數向量，前提是 affine 為 True。標準差透過有偏估計量計算，等同於 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出的例項統計資訊。

如果將 track_running_stats 設定為 True，則此層在訓練期間會保留其計算出的均值和方差的執行估計值，然後在評估期間用於歸一化。執行估計值以預設的 momentum 0.1 保留。

注意

此 momentum 引數與最佳化器類中使用的動量引數以及傳統的動量概念不同。數學上，此處執行統計資訊的更新規則為 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 是估計的統計量，$x_t$ 是新的觀測值。

注意

InstanceNorm2d 和 LayerNorm 非常相似，但存在一些細微差別。InstanceNorm2d 應用於通道資料（例如 RGB 影像）的每個通道，而 LayerNorm 通常應用於整個樣本，並且常用於自然語言處理任務。此外，LayerNorm 應用逐元素仿射變換，而 InstanceNorm2d 通常不應用仿射變換。

引數

• num_features (int) – 輸入大小為 $(N, C, H, W)$ 或 $(C, H, W)$ 時對應的 $C$

• 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 running_mean 和 running_var 計算的值。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，初始化方式與批次歸一化相同。預設值：False。

• 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，此模組不跟蹤此類統計資訊，並且在訓練和評估模式下始終使用批次統計資訊。預設值：False

形狀

• 輸入: $(N, C, H, W)$ 或 $(C, H, W)$

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

示例

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm2d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)