InstanceNorm2d

class torch.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None) [source]

Применяет нормализацию по экземпляру к 4D входным данным (мини-пакет 2D входных данных с дополнительным канальным измерением), 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 значение и стандартное отклонение вычисляются по каждому измерению отдельно для каждого объекта в мини-пакете. $\gamma$ и $\beta$ являются настраиваемыми параметрами-векторами размером C (где C - размер входных данных), если affine равно True. Стандартное отклонение вычисляется по смещенному оценочному методу, эквивалентному torch.var(input, unbiased=False).

По умолчанию этот слой использует статистику по экземпляру, вычисленную из входных данных как в режиме обучения, так и в режиме оценки.

Если track_running_stats установлено в True, то во время обучения этот слой сохраняет текущие оценки своего вычисленного среднего значения и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с пороговым значением по умолчанию momentum равным 0,1.

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 $\hat{x}$ - рассчитанная статистика, а $x_t$ - новое наблюдаемое значение.

Примечание

InstanceNorm2d и LayerNorm очень похожи, но имеют некоторые тонкие различия. InstanceNorm2d применяется к каждому каналу канальных данных, таких как изображения RGB, но LayerNorm обычно применяется ко всему образцу и часто используется в задачах НЛП. Кроме того, LayerNorm применяет аффинное преобразование по элементам, в то время как InstanceNorm2d обычно не применяет аффинного преобразования.

Параметры:

• num_features (int) – $C$ из ожидаемого входа размером $(N, C, H, W)$ или $(C, H, W)$
• 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. По умолчанию: 0.1
• affine (bool) – логическое значение, которое, когда установлено в True, этот модуль имеет настраиваемые аффинные параметры, инициализированные таким же образом, как и для пакетной нормализации. По умолчанию: False.
• track_running_stats (bool) – логическое значение, которое, когда установлено в True, этот модуль отслеживает текущее среднее и дисперсию, а когда установлено в False, этот модуль не отслеживает такие статистики и всегда использует пакетную статистику как в режиме обучения, так и в режиме оценки. По умолчанию: False

Форма:

• Вход: $(N, C, H, W)$ или $(C, H, W)$
• Выход: $(N, C, H, W)$ или $(C, H, W)$ (такая же форма, как вход)

Примеры:

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm2d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)