InstanceNorm3d

class torch.nn.InstanceNorm3d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None) [source]

Применяет нормализацию по экземпляру к 5-мерному входу (микро-пакет 3-мерных 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 для каждого измерения отдельно для каждого объекта в микро-пакете. $\gamma$ и $\beta$ являются настраиваемыми векторами параметров размера C (где C — размер ввода), если affine равно True. Стандартное отклонение вычисляется с помощью смещённой оценки, эквивалентной torch.var(input, unbiased=False).

По умолчанию этот слой использует статистику экземпляров, 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 вычисленного среднего и дисперсии, которые затем используются для нормализации во время оценки. Текущие оценки сохраняются с параметром по умолчанию momentum равным 0,1.

Примечание

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

Примечание

InstanceNorm3d и LayerNorm очень похожи, но имеют некоторые тонкие различия. InstanceNorm3d применяется к каждому каналу канальных данных, таких как 3D-модели с цветом RGB, но LayerNorm обычно применяется ко всему образцу и часто используется в задачах обработки естественного языка. Кроме того, LayerNorm применяет элементное аффинное преобразование, а InstanceNorm3d обычно не применяет аффинное преобразование.

Параметры

• num_features (int) – $C$ из ожидаемого входа размера $(N, C, D, H, W)$ или $(C, D, H, W)$
• 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. По умолчанию: 0.1
• affine (bool) – логическое значение, которое при установке в True, указывает, что модуль имеет настраиваемые аффинные параметры, инициализированные так же, как и для пакетной нормализации. По умолчанию: False.
• track_running_stats (bool) – логическое значение, которое при установке в True, указывает, что модуль отслеживает текущее среднее и дисперсию, а при установке в False, модуль не отслеживает такие статистики и всегда использует пакетные статистики в режимах обучения и оценки. По умолчанию: False

Форма:

• Вход: $(N, C, D, H, W)$ или $(C, D, H, W)$
• Выход: $(N, C, D, H, W)$ или $(C, D, H, W)$ (такая же форма, как и вход)

Примеры:

>>> # Without Learnable Parameters
>>> m = nn.InstanceNorm3d(100)
>>> # With Learnable Parameters
>>> m = nn.InstanceNorm3d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)