BatchNorm2d

classtorch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)[源代码]

对4D输入进行批规范化处理。

4D 是指具有额外通道维度的 2D 输入的小批量。该方法描述在论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 中。

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

均值和标准差是针对每个维度在小批量数据上进行计算的。参数向量$\gamma$ 和 $\beta$ 的大小为C（其中C是输入大小）。默认情况下，$\gamma$ 的元素被设置为1，而$\beta$ 的元素被设置为0。在训练阶段的前向传播中，标准差通过有偏估计器计算得出，等同于torch.var(input, unbiased=False)。然而，在移动平均的标准差值则是通过无偏估计器计算得出的，等同于torch.var(input, unbiased=True)。

此外，默认情况下，在训练期间，此层会持续计算并保存其均值和方差的运行估计值，并在评估时用于归一化。这些运行估计值通过默认的momentum（动量）0.1 来维护。

如果 track_running_stats 设置为 False，该层将不再保存运行估计值，并在评估过程中使用批处理统计数据。

注意

这个 momentum 参数与优化器类中使用的以及传统意义上的动量概念不同。数学上，这里的运行统计更新规则是$\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$，其中 $\hat{x}$ 表示估计的统计量，$x_t$ 是新的观测值。

因为批量归一化是在C维度上进行的，即在(N, H, W)切片上计算统计信息，所以通常称之为空间批量归一化。

参数

• num_features (int) – $C$，表示大小为$(N, C, H, W)$的预期输入中的通道数

• eps (float) — 一个添加到分母的值，用于保证数值稳定性。默认值为 1e-5。

• momentum (Optional[float]) – 用于运行均值和方差计算的参数。可以设置为None以使用累积移动平均（即简单平均）。默认值：0.1

• affine (bool) – 一个布尔值，当设置为True时，表示此模块具有可学习的仿射参数。默认值： True

• track_running_stats (bool) – 一个布尔值，当设置为True时，此模块会跟踪运行均值和方差；当设置为False时，此模块不会进行统计，并将统计缓冲区 running_mean 和 running_var 初始化为 None。如果这些缓冲区为None，则在训练和评估模式下始终使用批次统计信息。默认值： True

形状:

• 输入: $(N, C, H, W)$

• 输出: $(N, C, H, W)$（与输入的形状相同）

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)