GroupNorm

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

Применяет групповую нормализацию к входным данным мини-пакета.

Этот слой реализует операцию, описанную в статье Групповая нормализация

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

Входные каналы разделяются на num_groups групп, каждая из которых содержит num_channels / num_groups каналов. num_channels должно делиться на num_groups без остатка. Среднее значение и стандартное отклонение вычисляются отдельно для каждой группы. $\gamma$ и $\beta$ — обучаемые векторы параметров аффинного преобразования, применяемого отдельно к каждому каналу, размером num_channels, если affine равно True. Дисперсия вычисляется с помощью смещённой оценки, эквивалентной torch.var(input, correction=0).

Этот слой использует статистики, вычисленные по входным данным, как в режиме обучения, так и в режиме оценки.

Параметры:

• num_groups (int) – количество групп, на которые следует разделить каналы
• num_channels (int) – количество каналов, ожидаемое на входе
• eps (float) – значение, добавляемое к знаменателю для численной устойчивости. По умолчанию: 1e-5
• affine (bool) – логическое значение: если оно равно True, этот модуль содержит обучаемые аффинные параметры для каждого канала, инициализированные единицами (для весов) и нулями (для смещений). По умолчанию: True
• bias (bool) – если установлено значение False, слой не будет обучать аддитивное смещение (имеет значение, только если affine равно True). 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)