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 4-мерному вводу (миникванту 2D входов 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 и стандартное отклонение вычисляются по каждому измерению отдельно для каждого объекта в миникванте. $\gamma$ и $\beta$ являются настраиваемыми параметрами вектора размера C (где C — размер ввода), если affine равно True. Стандартное отклонение вычисляется по смещенной оценке, эквивалентной torch.var(input, unbiased=False).

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

Если track_running_stats установлено в True, во время обучения этот слой сохраняет текущие оценки вычисленных среднего и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с дефолтным значением momentum равным 0.1.

Примечание

Этот momentum аргумент отличается от используемого в классах оптимизаторов и от обычного понятия импульса. Математически правило обновления для текущей статистики здесь таково $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, где $\hat{x}$ — оцениваемая статистика, а $x_t$ — новое наблюдаемое значение.

Примечание

InstanceNorm2d и LayerNorm очень похожи, но имеют некоторые нюансы. InstanceNorm2d применяется к каждому каналу канальных данных, таких как изображения RGB, но LayerNorm обычно применяется ко всему образцу и часто в задачах NLP. Кроме того, LayerNorm применяет аффинное преобразование по элементам, а InstanceNorm2d обычно не применяет аффинное преобразование.

Параметры

• num_features (int) – $C$ из ожидаемого ввода размера $(N, C, H, W)$ или $(C, H, W)$
• eps (float) – значение, добавляемое к знаменателю для обеспечения числовой устойчивости. По умолчанию: 1e-5
• momentum (float) – значение, используемое для вычисления running_mean и running_var. По умолчанию: 0.1
• affine (bool) – булевое значение, которое, если установлено в True, этот модуль имеет настраиваемые аффинные параметры, инициализированные так же, как и для пакетной нормализации. По умолчанию: False.
• track_running_stats (bool) – булевое значение, которое, если установлено в True, этот модуль отслеживает среднее и дисперсию, а если 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 у ввода)

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)