batch_norm

paddle.nn.functional. batch_norm ( x, running_mean, running_var, weight=None, bias=None, training=False, momentum=0.9, epsilon=1e-05, data_format='NCHW', use_global_stats=None, name=None ) [源代码]

推荐使用 nn.BatchNorm1D,nn.BatchNorm2D, nn.BatchNorm3D,由内部调用此方法。

详情见 BatchNorm1D

参数

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

  • running_mean (Tensor) - 均值的 Tensor。

  • running_var (Tensor) - 方差的 Tensor。

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

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

  • training (bool,可选) – 当该值为 True 时,表示为训练模式(train mode),即使用批数据计算并在训练期间跟踪全局均值和方差。为 False 时,表示使用推理模式(inference mode),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_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。

  • data_format (str,可选) - 指定输入数据格式。数据格式可以为 "NC""NCL""NCHW" 或者 "NCDHW",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 时,将使用全局统计数据。若设置为 None,则会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,可选) - 具体用法请参见 Name,一般无需设置,默认值为 None。

返回

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 ],
   [6.99996948 , 8.99995995 , 10.99994946]]],
 [[[12.99993896, 14.99992943, 16.99991989],
   [18.99990845, 20.99989891, 22.99988937]]]])

使用本API的教程文档