InstanceNorm1d

class torch.nn.modules.instancenorm.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None, *, bias=True) [исходный код]

Применяет нормализацию экземпляра.

Эта операция применяет нормализацию экземпляра к двумерному (без пакетного измерения) или трёхмерному (с пакетным измерением) входу, как описано в статье Нормализация экземпляров: недостающий компонент для быстрой стилизации.

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

Среднее значение и стандартное отклонение вычисляются отдельно для каждого измерения каждого объекта в мини-пакете. $\gamma$ и $\beta$ — обучаемые векторы параметров размера C (где C — количество признаков или каналов входных данных), если affine равно True. Дисперсия вычисляется с помощью смещённой оценки, эквивалентной torch.var(input, correction=0).

По умолчанию этот слой использует статистики экземпляров, вычисленные по входным данным, как в режиме обучения, так и в режиме оценки.

Если для track_running_stats задано значение True, во время обучения этот слой сохраняет скользящие оценки вычисленных среднего значения и дисперсии, которые затем используются для нормализации при оценке. Скользящие оценки сохраняются с коэффициентом momentum, равным по умолчанию 0.1.

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.

Примечание

InstanceNorm1d и LayerNorm очень похожи, но имеют некоторые тонкие различия. InstanceNorm1d применяется к каждому каналу многоканальных данных, например многомерных временных рядов, тогда как LayerNorm обычно применяется ко всему образцу и часто используется в задачах обработки естественного языка. Кроме того, LayerNorm применяет поэлементное аффинное преобразование, 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 численной устойчивости. По умолчанию: 1e-5
• momentum (float | None) – значение, используемое при вычислении running_mean и running_var. По умолчанию: 0.1
• affine (bool) – логическое значение: если оно равно True, у этого модуля есть обучаемые аффинные параметры, инициализированные так же, как при пакетной нормализации. По умолчанию: False
• track_running_stats (bool) – логическое значение: если оно равно True, модуль отслеживает скользящие среднее значение и дисперсию; если оно равно False, модуль не отслеживает эти статистики и всегда использует статистики пакета как в режиме обучения, так и в режиме оценки. По умолчанию: False
• bias (bool) – если задано значение False, слой не будет обучать аддитивное смещение (имеет значение только если affine равно True). По умолчанию: True

Форма:

• Вход: $(N, C, L)$ или $(C, L)$
• Выход: $(N, C, L)$ или $(C, L)$ (та же форма, что и у входных данных)

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)