InstanceNorm1d

class torch.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None) [source]

Применяет нормализацию по экземплярам к 2D (без батчей) или 3D (с батчами) вводу, как описано в статье Instance Normalization: The Missing Ingredient for Fast Stylization.

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

Среднее и стандартное отклонение вычисляются по каждому измерению отдельно для каждого объекта в мини-батче. $\gamma$ и $\beta$ являются обучаемыми параметрами-векторами размером C (где C — количество признаков или каналов входных данных) если affine равно True. Стандартное отклонение вычисляется с помощью смещённой оценки, эквивалентной torch.var(input, unbiased=False).

По умолчанию этот слой использует статистические данные по экземплярам, вычисленные из входных данных, как в режиме обучения, так и в режиме оценки.

Если track_running_stats установлено в True, во время обучения этот слой сохраняет текущие оценки вычисленного среднего и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с помощью значения по умолчанию momentum равного 0.1.

Примечание

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

Примечание

InstanceNorm1d и LayerNorm очень похожи, но имеют некоторые тонкие различия. InstanceNorm1d применяется к каждому каналу канальных данных, таких как многомерные временные ряды, но LayerNorm обычно применяется ко всему образцу и часто используется в задачах обработки естественного языка. Кроме того, LayerNorm применяет аффинное преобразование по элементам, тогда как InstanceNorm1d обычно не применяет аффинное преобразование.

Параметры:

• num_features (int) – количество 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. По умолчанию: 0.1
• affine (bool) – логическое значение, которое, если установлено в True, у этого модуля есть обучаемые аффинные параметры, инициализированные так же, как и для нормализации по батчам. По умолчанию: False.
• track_running_stats (bool) – логическое значение, которое, если установлено в True, этот модуль отслеживает текущее среднее и дисперсию, а если установлено в False, этот модуль не отслеживает такие статистики и всегда использует батч-статистики как в режиме обучения, так и в режиме оценки. По умолчанию: False

Форма:

• Вход: $(N, C, L)$ или $(C, L)$
• Выход: $(N, C, L)$ или $(C, L)$ (такая же форма, что и вход)

Примеры:

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm1d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm1d(100, affine=True)
>>> input = torch.randn(20, 100, 40)
>>> output = m(input)