BatchNorm1d

class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None) [source]

Применяет пакетную нормализацию к 2D или 3D вводу, как описано в статье Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift .

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

Среднее и стандартное отклонение вычисляются по каждому измерению на мини-пакетах, а $\gamma$ и $\beta$ являются настраиваемыми параметрами-векторами размера C (где C - число признаков или каналов входных данных). По умолчанию элементы $\gamma$ устанавливаются в 1, а элементы $\beta$ - в 0. Стандартное отклонение вычисляется с использованием смещённого оценочного значения, эквивалентного torch.var(input, unbiased=False).

Также по умолчанию в процессе обучения этот слой сохраняет вычисленные оценки среднего и дисперсии, которые затем используются для нормализации во время оценки. Сохранённые оценки хранятся с пороговым значением по умолчанию momentum 0,1.

Если track_running_stats установлено в значение False, этот слой не сохраняет текущие оценки, а вместо этого использует пакетные статистики и во время оценки.

Примечание

Этот momentum аргумент отличается от аргумента, используемого в классах оптимизаторов, и от общепринятого понятия импульса. Математически правило обновления для текущих статистик здесь имеет вид $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, где $\hat{x}$ - это оценочная статистика, а $x_t$ - новое наблюдаемое значение.

Поскольку пакетная нормализация выполняется по C измерению, вычисляя статистики по (N, L) срезам, часто используется термин временная пакетная нормализация.

Параметры:

• num_features (int) – число признаков или каналов $C$ входных данных
• eps (float) – значение, добавляемое к знаменателю для обеспечения числовой устойчивости. По умолчанию: 1e-5
• momentum (float) – значение, используемое для вычисления running_mean и running_var. Может быть установлено в None для кумулятивного скользящего среднего (т.е. простого среднего). По умолчанию: 0.1
• affine (bool) – логическое значение, которое, при установке в True, позволяет обучать аффинные параметры модуля. По умолчанию: True
• track_running_stats (bool) – логическое значение, которое, при установке в True, позволяет отслеживать среднее и дисперсию, а при установке в False, этот модуль не отслеживает эти статистические данные и инициализирует буферы статистики running_mean и running_var как None. Когда эти буферы None, этот модуль всегда использует пакетные статистики и в режиме обучения, и в режиме оценки. По умолчанию: True

Форма:

• Вход: $(N, C)$ или $(N, C, L)$, где $N$ - размер пакета, $C$ - число признаков или каналов, а $L$ - длина последовательности
• Выход: $(N, C)$ или $(N, C, L)$ (такая же форма, как вход)

Примеры:

>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = torch.randn(20, 100)
>>> output = m(input)