理论学习 BatchNorm2d

PyTorch中批归一化操作的代码示例,

原创已于 2024-03-11 11:47:05 修改 · 247 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#学习 #深度学习 #python

于 2024-03-11 11:46:44 首次发布

深度学习同时被 2 个专栏收录

63 篇文章

订阅专栏

代码理解

32 篇文章

订阅专栏

文章讲解了如何在PyTorch中使用nn.BatchNorm2d进行批归一化，展示了带和不带可学习参数的区别，以及处理输入张量的过程。

部署运行你感兴趣的模型镜像

import torch
import torch.nn as nn

# With Learnable Parameters
m = nn.BatchNorm2d(100)
# Without Learnable Parameters
m = nn.BatchNorm2d(100, affine=False)
input = torch.randn(20, 100, 35, 45)
output = m(input)

print(output)
print(output.shape)

这段代码展示了如何使用 PyTorch 中的 nn.BatchNorm2d 模块进行批归一化操作。首先，创建了一个具有100个通道的 nn.BatchNorm2d 对象 m，默认情况下具有可学习的参数。然后，又创建了一个相同的 nn.BatchNorm2d 对象 m，但通过设置 affine=False 来禁用了可学习的参数。

接下来，创建了一个输入张量 input，其形状为 (20, 100, 35, 45)，表示一个批次大小为20的具有100个通道的二维图像。然后，将输入张量传递给 m 进行批归一化操作，得到输出张量 output。

最后，打印输出张量 output 的形状，以验证批归一化操作的结果。