BatchNorm3d

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

Применяет пакетную нормализацию к входным данным размерности 5.

Входные данные размерности 5 представляют собой мини-пакет трёхмерных данных с дополнительным измерением каналов, как описано в статье Пакетная нормализация: ускорение обучения глубоких сетей за счёт уменьшения внутреннего ковариационного сдвига .

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

Среднее значение и стандартное отклонение вычисляются отдельно для каждого измерения по мини-пакетам, а $\gamma$ и $\beta$ — обучаемые векторы параметров размера C (где C — размер входных данных). По умолчанию элементы $\gamma$ равны 1, а элементы $\beta$ равны 0. Во время прямого прохода при обучении стандартное отклонение вычисляется с использованием смещённой оценки, эквивалентной torch.var(input, correction=0). Однако значение, сохраняемое в скользящем среднем стандартного отклонения, вычисляется с использованием несмещённой оценки, эквивалентной torch.var(input, correction=1).

Кроме того, по умолчанию во время обучения этот слой сохраняет скользящие оценки вычисленных среднего значения и дисперсии, которые затем используются для нормализации при оценке. Скользящие оценки хранятся с коэффициентом по умолчанию momentum, равным 0.1.

Если track_running_stats установлено в False, этот слой не сохраняет скользящие оценки, и при оценке также используются статистики пакета.

Примечание

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

Поскольку пакетная нормализация выполняется по измерению C, вычисляя статистики для (N, D, H, W) срезов, принято называть её объёмной пакетной нормализацией или пространственно-временной пакетной нормализацией.

Параметры:

• num_features (int) – $C$ для ожидаемого входного размера $(N, C, D, H, W)$
• eps (float) – значение, добавляемое к знаменателю для численной устойчивости. Значение по умолчанию: 1e-5
• momentum (float | None) – значение, используемое при вычислении running_mean и running_var. Для вычисления кумулятивного скользящего среднего (то есть простого среднего) можно задать None. Значение по умолчанию: 0.1
• affine (bool) – логическое значение: если оно установлено в True, у этого модуля есть обучаемые аффинные параметры. Значение по умолчанию: True
• track_running_stats (bool) – логическое значение: если оно установлено в True, модуль отслеживает скользящие среднее и дисперсию; если оно установлено в False, модуль не отслеживает эти статистики и инициализирует буферы статистик running_mean и running_var значением None. Если эти буферы равны None, модуль всегда использует статистики пакета как в режиме обучения, так и в режиме оценки. Значение по умолчанию: True
• bias (bool) – Если установлено в False, слой не будет обучать аддитивное смещение (имеет значение, только если affine установлено в True). Значение по умолчанию: True

Форма:

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

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)