pytorch中BatchNorm1d、BatchNorm2d、BatchNorm3d

最新推荐文章于 2024-08-02 10:21:42 发布

原创

最新推荐文章于 2024-08-02 10:21:42 发布 · 457 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #人工智能

本文详细介绍了批标准化(BatchNormalization)在不同维度数据中的应用，包括一维、二维和三维数据的批标准化操作。通过实例展示了如何在PyTorch中实现这些批标准化层。

BatchNorm

对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作
在这里插入图片描述
在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。

在验证时，训练求得的均值/方差将用于标准化验证数据。
参数：
num_features：来自期望输入的特征数，C from an expected input of size (N,C,L) or L from input of size (N,L)
eps：为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum：动态均值和动态方差所使用的动量。默认为0.1。
affine：一个布尔值，当设为true，给该层添加可学习的仿射变换参数。

Shape： - 输入：（N, C）或者(N, C, L) - 输出：（N, C）或者（N，C，L）（输入输出相同）
例子

1.nn.BatchNorm1d(num_features)

1.对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作
2.num_features：
	来自期望输入的特征数，该期望输入的大小为'batch_size x num_features [x width]'
	意思即输入大小的形状可以是'batch_size x num_features' 和 'batch_size x num_features x width' 都可以。
	（输入输出相同）
     输入Shape：（N, C）或者(N, C, L)
     输出Shape：（N, C）或者（N，C，L）

eps：为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum：动态均值和动态方差所使用的动量。默认为0.1。
affine：一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
  在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。
  在验证时，训练求得的均值/方差将用于标准化验证数据。 
4.例子
	>>> # With Learnable Parameters
	>>> m = nn.