BatchNorm3d

class torch.nn.BatchNorm3d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None) [source]

Применяет пакетную нормализацию к 5-мерному входу (мини-пакету 3-мерных входов с дополнительным канальным измерением), 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 по мини-пакетам, а $\gamma$ и $\beta$ — это обучаемые векторы параметров размера C (где C — размер входных данных). По умолчанию элементы $\gamma$ устанавливаются в 1, а элементы $\beta$ — в 0. Стандартное отклонение вычисляется по смещённой оценке, эквивалентной torch.var(input, unbiased=False).

Также по умолчанию, во время обучения, этот слой сохраняет текущие оценки вычисленных среднего и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с momentum по умолчанию 0,1.

Если track_running_stats установлено в False, этот слой не сохраняет текущие оценки, и вместо этого во время оценки используются статистические данные пакетов.

Примечание

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

Поскольку пакетная нормализация выполняется по C измерению, вычисление статистических данных по (N, D, H, W) срезам, обычно это называют объемной пакетной нормализацией или пространственно-временной пакетной нормализацией.

Параметры:

• num_features (int) – $C$ из ожидаемого входа размера $(N, C, D, H, W)$
• eps (float) – значение, добавляемое к знаменателю для повышения 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, этот модуль имеет обучаемые параметры сдвига. По умолчанию: True
• track_running_stats (bool) – логическое значение, которое при установке в True, этот модуль отслеживает текущее среднее и дисперсию, а при установке в False, этот модуль не отслеживает такие статистики и инициализирует буферы статистики running_mean и running_var как None. Когда эти буферы None, этот модуль всегда использует статистику пакетов как в режиме обучения, так и в режиме оценки. По умолчанию: True

Форма:

• Вход: $(N, C, D, H, W)$
• Выход: $(N, C, D, H, W)$ (такая же форма, как у входа)

Примеры:

>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)