BatchNorm1d

class torch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None) [source]

Применяет пакетную нормализацию к двумерному или трёхмерному входу, как описано в статье Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift .

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

Среднее и стандартное отклонение рассчитываются по каждой размерности в мини-батчах, а $\gamma$ и $\beta$ являются настраиваемыми параметрами-векторами размера C (где C — количество признаков или каналов входных данных). По умолчанию элементы $\gamma$ устанавливаются в 1, а элементы $\beta$ — в 0. Во время обучения в прямом проходе стандартное отклонение вычисляется по смещённой оценке, эквивалентной torch.var(input, unbiased=False). Однако значение, хранящееся в скользящем среднем стандартного отклонения, рассчитывается по несмещённой оценке, эквивалентной torch.var(input, unbiased=True).

Также по умолчанию во время обучения этот слой сохраняет текущие оценки вычисленного среднего и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с momentum по умолчанию равным 0,1.

Если track_running_stats установлено в False, этот слой не сохраняет текущие оценки, а во время оценки вместо этого используются пакетные статистики.

Примечание

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

Поскольку пакетная нормализация выполняется по размерности C, вычисляя статистики по (N, L) срезам, часто эту операцию называют временной пакетной нормализацией.

Параметры

• num_features (int) – количество признаков или каналов $C$ входных данных
• 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. Может быть установлено в None для кумулятивного скользящего среднего (т.е. простого среднего). По умолчанию: 0.1
• affine (bool) – логическое значение, при установке в True, этот модуль имеет настраиваемые параметры сдвига. По умолчанию: True
• track_running_stats (bool) – логическое значение, при установке в True, этот модуль отслеживает текущее среднее и дисперсию, а при установке в False, этот модуль не отслеживает такие статистики и инициализирует буферы статистик running_mean и running_var как None. Когда эти буферы None, этот модуль всегда использует пакетные статистики как в режимах обучения, так и оценки. По умолчанию: True

Форма:

• Вход: $(N, C)$ или $(N, C, L)$, где $N$ — размер пакета, $C$ — количество признаков или каналов, и $L$ — длина последовательности
• Выход: $(N, C)$ или $(N, C, L)$ (такая же форма, как у входа)

Примеры:

>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100)
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = torch.randn(20, 100)
>>> output = m(input)