BatchNorm

class paddle.sparse.nn. BatchNorm ( num_features, momentum=0.9, epsilon=1e-05, weight_attr=None, bias_attr=None, data_format='NDHWC', use_global_stats=None, name=None ) [源代码]

构建稀疏 BatchNorm 类的一个可调用对象，具体用法参照 代码示例 。可以处理 4D SparseCooTensor ，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 :math: mu_{beta} 和 :math: 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 \(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 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_features (int) - 指明输入 Tensor 的通道数量。

  • momentum (float，可选) - 此值用于计算 moving_mean 和 moving_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。

  • weight_attr (ParamAttr|bool，可选) - 指定权重参数属性的对象。如果为 False，则表示每个通道的伸缩固定为 1，不可改变。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。如果为 False，则表示每一个通道的偏移固定为 0，不可改变。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 。

  • data_format (string，可选) - 指定输入数据格式，数据格式可以为“NCDHW"。默认值：“NCDHW”。

  • 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。

  • 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

无

形状

  • input：形状为（批大小，维度，高度，宽度，通道数）的 5-D SparseCooTensor。

  • output：和输入形状一样。

代码示例

>>> import paddle
>>> paddle.seed(123)
>>> channels = 3
>>> x_data = paddle.randn((1, 6, 6, 6, channels)).astype('float32')
>>> dense_x = paddle.to_tensor(x_data)
>>> sparse_x = dense_x.to_sparse_coo(4)
>>> batch_norm = paddle.sparse.nn.BatchNorm(channels)
>>> batch_norm_out = batch_norm(sparse_x)
>>> print(batch_norm_out.shape)
[1, 6, 6, 6, 3]