Table of Contents
Shortcuts

InstanceNorm2d

class torch.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False, device=None, dtype=None)[源代码]

应用实例归一化。

此操作对4D输入（具有附加通道维度的2D输入的小批量）应用实例归一化，如论文中所述 实例归一化：快速风格化的缺失成分。

y=x−E[x]Var[x]+ϵ∗γ+βy = \frac{x - \mathrm{E}[x]}{ \sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta

均值和标准差是针对每个对象在每个维度上分别计算的。γ\gamma 和 β\beta 是大小为 C 的可学习参数向量（其中 C 是输入大小），如果 affine 是 True。标准差是通过有偏估计量计算的，等同于 torch.var(input, unbiased=False)。

默认情况下，该层在训练和评估模式下都使用从输入数据计算的实例统计数据。

如果 track_running_stats 设置为 True，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。运行估计值的默认 momentum 为 0.1。

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 x^new=(1−momentum)×x^+momentum×xt\hat{x}_\text{new} = (1 - \text{momentum}) \times \hat{x} + \text{momentum} \times x_t, 其中 x^\hat{x} 是估计的统计量，xtx_t 是新的观测值。

注意

InstanceNorm2d 和 LayerNorm 非常相似，但有一些细微的差异。InstanceNorm2d 应用于像RGB图像这样的通道数据的每个通道，但 LayerNorm 通常应用于整个样本，并且经常用于NLP任务。此外，LayerNorm 应用逐元素仿射变换，而 InstanceNorm2d 通常不应用仿射变换。

Parameters

  • num_features (int) – CC 来自大小为 (N,C,H,W)(N, C, H, W) 或 (C,H,W)(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

  • 动量 (float) – 用于计算running_mean和running_var的值。默认值：0.1

  • 仿射 (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，初始化方式与批量归一化相同。 默认值：False。

  • track_running_stats (bool) – 一个布尔值，当设置为True时，此模块会跟踪运行中的均值和方差，当设置为False时，此模块不会跟踪此类统计信息，并且在训练和评估模式下始终使用批量统计信息。默认值：False

Shape:

  • 输入: (N,C,H,W)(N, C, H, W) 或 (C,H,W)(C, H, W)

  • 输出: (N,C,H,W)(N, C, H, W) 或 (C,H,W)(C, H, W) (与输入形状相同)

示例：

>>> # 不带可学习参数
>>> m = nn.InstanceNorm2d(100)
>>> # 带可学习参数
>>> m = nn.InstanceNorm2d(100, affine=True)
>>> input = torch.randn(20, 100, 35, 45)
>>> output = m(input)
优云智算