BatchNorm2d

class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None) [source]

Применяет пакетную нормализацию к 4-мерному входу (мини-пакет 2-мерных входов с дополнительным канальным измерением), как описано в статье Batch Normalization: Ускорение обучения глубоких нейронных сетей путем уменьшения внутреннего смещения сопутствующих переменных.

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

Среднее и стандартное отклонение вычисляются по каждому измерению в мини-пакетах, а $\gamma$ и $\beta$ являются обучаемыми параметрами-векторами размера C (где C — размер входных данных). По умолчанию элементы $\gamma$ устанавливаются в 1, а элементы $\beta$ — в 0. Стандартное отклонение вычисляется с помощью смещённой оценки, эквивалентной torch.var(input, unbiased=False).

Также по умолчанию, во время обучения этот слой сохраняет текущие оценки вычисленного среднего и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с коэффициентом по умолчанию momentum.

Если track_running_stats установлено в False, этот слой не сохраняет текущие оценки, а вместо этого использует статистику по пакету и во время оценки.

Примечание

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

Поскольку пакетная нормализация выполняется по C измерению, вычисление статистики на (N, H, W) срезах, общепринято называть это пространственной пакетной нормализацией.

Параметры:

• num_features (int) – $C$ из ожидаемого размера входных данных $(N, C, H, W)$
• 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 накопительного скользящего среднего (т.е. простого среднего). По умолчанию: 0.1
• affine (bool) – булево значение, которое при установке в True, предоставляет этому модулю обучаемые параметры сдвига. По умолчанию: True
• track_running_stats (bool) – булево значение, которое при установке в True, отслеживает текущие среднее и дисперсию, а при установке в False, не отслеживает эти статистики и инициализирует буферы статистики running_mean и running_var как None. Когда эти буферы None, этот модуль всегда использует статистику по пакету как во время обучения, так и во время оценки. По умолчанию: True

Форма:

• Вход: $(N, C, H, W)$
• Выход: $(N, C, H, W)$ (такой же размер, как и вход)

Примеры:

>>> # 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)