batch_norm

参数

• x (Tensor) - 输入，数据类型为 float32, float64。

• running_mean (Tensor) - 运行均值。

• running_var (Tensor) - 运行方差。

• weight (Tensor，可选) - batch_norm 权重的 Tensor，默认为 None。

• bias (Tensor，可选) - batch_norm 偏置的 Tensor，默认为 None。

• training (bool，可选) - 如果为 True，表示为训练模式，即使用批数据计算并在训练期间跟踪全局均值和方差。如果为 False，表示使用推理模式，即使用训练期间计算出的全局均值及方差计算。默认值为 False。

• momentum (float，可选) - 此值用于计算 moving_mean 和 moving_var。默认值：0.9。

• epsilon (float，可选) - 为了数值稳定加在分母上的值。默认值：1e-5。

• data_format (str，可选) - 指定输入数据格式，可以为 "NC"、"NCL"、"NCHW"、"NCDHW"、"NLC"、"NHWC" 或 "NDHWC"，其中 N 是批大小，C 是通道数，D 是特征深度，H 是特征高度，W 是特征宽度，L 是特征长度。默认值为 "NCHW"。

• use_global_stats (bool|None，可选) - 指示是否使用全局均值和方差。若设置为 False，则使用一个 mini-batch 的统计数据。若设置为 True，则使用全局统计数据。若设置为 None，则在测试阶段使用全局统计数据，在训练阶段使用一个 mini-batch 的统计数据。默认值为 None。

• name (str|None，可选) - 具体用法请参见 api_guide_Name，一般无需设置，默认值为 None。

返回

无

代码示例

>>> import paddle

>>> x = paddle.arange(12, dtype="float32").reshape([2, 1, 2, 3])
>>> print(x)
Tensor(shape=[2, 1, 2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[[0. , 1. , 2. ],
   [3. , 4. , 5. ]]],
 [[[6. , 7. , 8. ],
   [9. , 10., 11.]]]])
>>> running_mean = paddle.to_tensor([0], dtype="float32")
>>> running_variance = paddle.to_tensor([1], dtype="float32")
>>> weight = paddle.to_tensor([2], dtype="float32")
>>> bias = paddle.to_tensor([1], dtype="float32")

>>> batch_norm_out = paddle.nn.functional.batch_norm(
...     x,
...     running_mean,
...     running_variance,
...     weight,
...     bias,
... )
>>> print(batch_norm_out)
Tensor(shape=[2, 1, 2, 3], dtype=float32, place=Place(cpu), stop_gradient=True,
[[[[1.         , 2.99998999 , 4.99997997 ],
   [6.99996996 , 8.99995995 , 10.99995041]]],
 [[[12.99993992, 14.99992943, 16.99991989],
   [18.99991035, 20.99990082, 22.99988937]]]])

使用本API的教程文档¶

• PyTorch 写法