BatchNorm2d

class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True, device=None, dtype=None)

对4D输入应用批量归一化。

4D 是一个包含额外通道维度的小批量 2D 输入。该方法在论文 批量归一化：通过减少内部协变量偏移加速深度网络训练 中描述。

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

均值和标准差是按维度在每个小批量上计算的，$\gamma$ 和 $\beta$ 是大小为 C 的可学习参数向量（其中 C 是输入大小）。默认情况下，$\gamma$ 的元素设置为 1，$\beta$ 的元素设置为 0。在训练时的前向传播中，标准差通过有偏估计量计算，等同于 torch.var(input, unbiased=False)。然而，存储在标准差移动平均值中的值是通过无偏估计量计算的，等同于 torch.var(input, unbiased=True)。

同样，默认情况下，在训练期间，该层会保持对其计算的均值和方差的运行估计，这些估计值在评估期间用于归一化。运行估计的默认动量为0.1。

如果 track_running_stats 设置为 False，则此层不会保留运行估计值，并且在评估期间也会使用批次统计数据。

注意

这个 momentum 参数与优化器类中使用的参数和常规动量概念不同。数学上，这里的运行统计更新规则是 $\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t$, 其中 $\hat{x}$ 是估计的统计量，$x_t$ 是新的观测值。

因为批量归一化是在C维度上进行的，计算(N, H, W)切片的统计数据，所以这种操作通常被称为空间批量归一化。

Parameters

• num_features (int) – $C$ 来自大小为 $(N, C, H, W)$ 的预期输入

• eps (float) – 为了数值稳定性而添加到分母中的值。 默认值: 1e-5

• momentum (float) – 用于计算 running_mean 和 running_var 的值。可以设置为 None 以进行累积移动平均（即简单平均）。默认值：0.1

• affine (bool) – 一个布尔值，当设置为 True 时，此模块具有可学习的仿射参数。默认值：True

• track_running_stats (bool) – 一个布尔值，当设置为 True 时，此模块跟踪运行中的均值和方差，当设置为 False 时，此模块不跟踪此类统计信息，并将统计缓冲区 running_mean 和 running_var 初始化为 None。当这些缓冲区为 None 时，此模块始终使用批处理统计信息，无论是在训练模式还是评估模式下。默认值：True

Shape:

• 输入: $(N, C, H, W)$

• 输出: $(N, C, H, W)$ (与输入形状相同)

示例：

>>> # 带有可学习参数
>>> m = nn.BatchNorm2d(100)
>>> # 不带有可学习参数
>>> m = nn.BatchNorm2d(100, affine=False)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)