batchnorm2d参数 torch_pytorch中BatchNorm1d、BatchNorm2d、BatchNorm3d

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.BatchNorm1d(100) #num_features指的是randn(20, 100)中(N, C)的第二维C

>>> # Without Learnable Parameters

>>> m = nn.BatchNorm1d(100, affine=False)

>>> input = autograd.Variable(torch.randn(20, 100)) #输入Shape：(N, C)

>>> output = m(input) #输出Shape：(N, C)

2.nn.BatchNorm2d(num_features)

1.对小批量(mini-batch)3d数据组成的4d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 height x width'

(输入输出相同)

输入Shape：(N, C，H, W)

输出Shape：(N, C, H, W)

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.BatchNorm2d(100) #num_features指的是randn(20, 100, 35, 45)中(N, C，H, W)的第二维C

>>> # Without Learnable Parameters

>>> m = nn.BatchNorm2d(100, affine=False)

>>> input = autograd.Variable(torch.randn(20, 100, 35, 45)) #输入Shape：(N, C，H, W)

>>> output = m(input)

3.nn.BatchNorm3d(num_features)

1.对小批量(mini-batch)4d数据组成的5d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 depth x height x width'

(输入输出相同)

输入Shape：(N, C，D, H, W)

输出Shape：(N, C, D, H, W)

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.BatchNorm3d(100) #num_features指的是randn(20, 100, 35, 45, 10)中(N, C, D, H, W)的第二维C

>>> # Without Learnable Parameters

>>> m = nn.BatchNorm3d(100, affine=False) #num_features指的是randn(20, 100, 35, 45, 10)中(N, C, D, H, W)的第二维C

>>> input = autograd.Variable(torch.randn(20, 100, 35, 45, 10)) #输入Shape：(N, C, D, H, W)

>>> output = m(input)

一技破万法