GroupNorm

class torch.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, device=None, dtype=None) [source]

Применяет групповую нормализацию к мини-пакету входных данных, как описано в статье Group Normalization

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

Входящие каналы разделены на num_groups группы, каждая из которых содержит num_channels / num_groups каналов. num_channels должно быть кратно num_groups. Среднее значение и стандартное отклонение вычисляются отдельно для каждой группы. $\gamma$ и $\beta$ — это обучаемые параметры аффинного преобразования на канал, векторы размером num_channels, если affine равно True. Стандартное отклонение вычисляется по смещенной оценке, что эквивалентно torch.var(input, unbiased=False).

Этот слой использует статистику, вычисляемую из входных данных как в режиме обучения, так и в режиме оценки.

Параметры:

• num_groups (int) – количество групп для разделения каналов
• num_channels (int) – ожидаемое количество каналов на входе
• eps (float) – значение, добавляемое к знаменателю для повышения числовой устойчивости. По умолчанию: 1e-5
• affine (bool) – логическое значение, которое, при установке в True, обеспечивает обучаемые параметры аффинного преобразования на канал, инициализированные единицами (для весов) и нулями (для смещений). По умолчанию: True.

Форма:

• Вход: $(N, C, *)$ где $C=\text{num\_channels}$
• Выход: $(N, C, *)$ (такая же форма, как у входных данных)

Примеры:

>>> input = torch.randn(20, 6, 10, 10)
>>> # Separate 6 channels into 3 groups
>>> m = nn.GroupNorm(3, 6)
>>> # Separate 6 channels into 6 groups (equivalent with InstanceNorm)
>>> m = nn.GroupNorm(6, 6)
>>> # Put all 6 channels into a single group (equivalent with LayerNorm)
>>> m = nn.GroupNorm(1, 6)
>>> # Activating the module
>>> output = m(input)