BatchNorm

class paddle.nn. BatchNorm ( num_channels, act=None, is_test=False, momentum=0.9, epsilon=1e-05, param_attr=None, bias_attr=None, dtype='float32', data_layout='NCHW', in_place=False, moving_mean_name=None, moving_variance_name=None, do_model_average_for_mean_and_var=False, use_global_stats=False, trainable_statistics=False ) [源代码]

构建 BatchNorm 类的一个可调用对象,具体用法参照 代码示例。其中实现了批归一化层(Batch Normalization Layer)的功能,可用作卷积和全连接操作的批归一化函数,根据当前批次数据按通道计算的均值和方差进行归一化。更多详情请参考:Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

当 use_global_stats = False 时,\(\mu_{\beta}\)\(\sigma_{\beta}^{2}\) 是 minibatch 的统计数据。计算公式如下:

\[\begin{split}\mu_{\beta} &\gets \frac{1}{m} \sum_{i=1}^{m} x_i \quad &// mini-batch-mean \\ \sigma_{\beta}^{2} &\gets \frac{1}{m} \sum_{i=1}^{m}(x_i - \mu_{\beta})^2 \quad &// mini-batch-variance \\\end{split}\]
  • \(x\):批输入数据

  • \(m\):当前批次数据的大小

当 use_global_stats = True 时,\(\mu_{\beta}\)\(\sigma_{\beta}^{2}\) 是全局(或运行)统计数据(moving_mean 和 moving_variance),通常来自预先训练好的模型。计算公式如下:

\[\begin{split}moving\_mean = moving\_mean * momentum + \mu_{\beta} * (1. - momentum) \quad &// global mean \\ moving\_variance = moving\_variance * momentum + \sigma_{\beta}^{2} * (1. - momentum) \quad &// global variance \\\end{split}\]

归一化函数公式如下:

\[\begin{split}\hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\sigma_{\beta}^{2} + \epsilon}} \quad &// normalize \\ y_i &\gets \gamma \hat{x_i} + \beta \quad &// scale-and-shift \\\end{split}\]
  • \(\epsilon\):添加较小的值到方差中以防止除零

  • \(\gamma\):可训练的比例参数

  • \(\beta\):可训练的偏差参数

参数

  • num_channels (int) - 指明输入 Tensor 的通道数量。

  • act (str,可选) - 应用于输出上的激活函数,如 tanh、softmax、sigmoid,relu 等,支持列表请参考 激活函数,默认值为 None。

  • is_test (bool,可选) - 指示是否在测试阶段,非训练阶段使用训练过程中统计到的全局均值和全局方差。默认值:False。

  • momentum (float,可选) - 此值用于计算 moving_meanmoving_var。默认值:0.9。更新公式如上所示。

  • epsilon (float,可选) - 为了数值稳定加在分母上的值。默认值:1e-05。

  • param_attr (ParamAttr,可选) - 指定权重参数属性的对象。默认值为 None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr

  • bias_attr (ParamAttr,可选) - 指定偏置参数属性的对象。默认值为 None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr

  • dtype (str,可选) - 指明输入 Tensor 的数据类型,可以为 float32 或 float64。默认值:float32。

  • data_layout (str,可选) - 指定输入数据格式,数据格式可以为 "NCHW""NHWC",其中 N 是批大小,C 是通道数,H 是特征高度,W 是特征宽度。默认值为 "NCHW"

  • in_place (bool,可选) - 指示 batch_norm 的输出是否可以复用输入内存。默认值:False。

  • moving_mean_name (str,可选) - moving_mean 的名称,存储全局均值。如果将其设置为 None, batch_norm 将随机命名全局均值;否则,batch_norm 将命名全局均值为 moving_mean_name。默认值:None。

  • moving_variance_name (string,可选) - moving_var 的名称,存储全局方差。如果将其设置为 None, batch_norm 将随机命名全局方差;否则,batch_norm 将命名全局方差为 moving_variance_name。默认值:None。

  • do_model_average_for_mean_and_var (bool,可选) - 指示是否为 mean 和 variance 做模型均值。默认值:False。

  • use_global_stats (bool,可选) – 指示是否使用全局均值和方差。在预测或测试模式下,将 use_global_stats 设置为 true 或将 is_test 设置为 true,这两种行为是等效的。在训练模式中,当设置 use_global_stats 为 True 时,在训练期间也将使用全局均值和方差。默认值:False。

  • trainable_statistics (bool,可选) - eval 模式下是否计算 mean 均值和 var 方差。eval 模式下,trainable_statistics 为 True 时,由该批数据计算均值和方差。默认值:False。

返回

代码示例

>>> import paddle.nn as nn
>>> import paddle
>>> import numpy as np

>>> x = paddle.rand(shape=(3, 10, 3, 7), dtype="float32")
>>> batch_norm = nn.BatchNorm(10)
>>> hidden1 = batch_norm(x)