SyncBatchNorm

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

Применяет пакетную нормализацию к N-мерному входу (мини-пакету [N-2]D входов с дополнительным канальным измерением), как описано в статье Batch Normalization: Ускорение обучения глубоких нейронных сетей путем уменьшения внутреннего смещения ковариатов .

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

Среднее и стандартное отклонение рассчитываются по каждому измерению для всех мини-пакетов одной группы процессов. $\gamma$ и $\beta$ — это обучаемые векторные параметры размера C (где C — размер входа). По умолчанию элементы $\gamma$ берутся из $\mathcal{U}(0, 1)$, а элементы $\beta$ устанавливаются в 0. Стандартное отклонение вычисляется с помощью смещённого оценочного метода, эквивалентного torch.var(input, unbiased=False).

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 по умолчанию momentum 0,1.

Если track_running_stats установлено в значение False, этот слой не сохраняет текущие оценки, и в режиме оценки вместо этого используются пакетные статистики.

Примечание

Этот momentum аргумент отличается от аргумента, 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 $\hat{x}$ — оценочная статистика, а $x_t$ — новое наблюдаемое значение.

Поскольку пакетная нормализация выполняется для каждого канала в измерении C, вычисление статистик по срезам (N, +), принято называть это объёмной пакетной нормализацией или пространственно-временной пакетной нормализацией.

В настоящее время SyncBatchNorm поддерживает только DistributedDataParallel (DDP) с одним графическим процессором на процесс. Используйте torch.nn.SyncBatchNorm.convert_sync_batchnorm() для преобразования слоя BatchNorm*D в SyncBatchNorm перед обертыванием сети с помощью DDP.

Параметры

• num_features (int) – $C$ из ожидаемого входа размера $(N, C, +)$
• 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) – булево значение, которое, когда установлено в True, позволяет этому модулю иметь обучаемые параметры сдвига. По умолчанию: True
• track_running_stats (bool) – булево значение, которое, когда установлено в True, позволяет этому модулю отслеживать текущее среднее и дисперсию, а когда установлено 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 режиме обучения, так и в режиме оценки. По умолчанию: True
• process_group (Optional[Any]) – синхронизация статистик происходит в рамках каждой группы процессов индивидуально. По умолчанию синхронизация происходит по всему миру

Форма:

• Вход: $(N, C, +)$
• Выход: $(N, C, +)$ (такая же форма, как и вход)

Примечание

Синхронизация статистик пакетной нормализации происходит только во время обучения, т.е. синхронизация отключена, когда model.eval() установлено или если self.training по-другому False.

Примеры:

>>> # With Learnable Parameters
>>> m = nn.SyncBatchNorm(100)
>>> # creating process group (optional)
>>> # ranks is a list of int identifying rank ids.
>>> ranks = list(range(8))
>>> r1, r2 = ranks[:4], ranks[4:]
>>> # Note: every rank calls into new_group for every
>>> # process group created, even if that rank is not
>>> # part of the group.
>>> process_groups = [torch.distributed.new_group(pids) for pids in [r1, r2]]
>>> process_group = process_groups[0 if dist.get_rank() <= 3 else 1]
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False, process_group=process_group)
>>> input = torch.randn(20, 100, 35, 45, 10)
>>> output = m(input)

>>> # network is nn.BatchNorm layer
>>> sync_bn_network = nn.SyncBatchNorm.convert_sync_batchnorm(network, process_group)
>>> # only single gpu per process is currently supported
>>> ddp_sync_bn_network = torch.nn.parallel.DistributedDataParallel(
>>>                         sync_bn_network,
>>>                         device_ids=[args.local_rank],
>>>                         output_device=args.local_rank)

classmethod convert_sync_batchnorm(module, process_group=None) [source]

Вспомогательная функция для преобразования всех BatchNorm*D слоёв в модели в torch.nn.SyncBatchNorm слои.

Параметры

• module (nn.Module) – модуль, содержащий один или несколько BatchNorm*D слоёв
• process_group (необязательно) – группа процессов для определения области синхронизации, по умолчанию — весь мир

Возвращаемое значение

Оригинальный module с преобразованными слоями torch.nn.SyncBatchNorm. Если оригинальный module является слоем BatchNorm*D, вместо него будет возвращён новый объект слоя torch.nn.SyncBatchNorm.

Пример:

>>> # Network with nn.BatchNorm layer
>>> module = torch.nn.Sequential(
>>>            torch.nn.Linear(20, 100),
>>>            torch.nn.BatchNorm1d(100),
>>>          ).cuda()
>>> # creating process group (optional)
>>> # ranks is a list of int identifying rank ids.
>>> ranks = list(range(8))
>>> r1, r2 = ranks[:4], ranks[4:]
>>> # Note: every rank calls into new_group for every
>>> # process group created, even if that rank is not
>>> # part of the group.
>>> process_groups = [torch.distributed.new_group(pids) for pids in [r1, r2]]
>>> process_group = process_groups[0 if dist.get_rank() <= 3 else 1]
>>> sync_bn_module = torch.nn.SyncBatchNorm.convert_sync_batchnorm(module, process_group)