浅析pytorch中对nn.BatchNorm2d()函数的理解
作者：Code_LiShi
Batch Normalization强行将数据拉回到均值为0,方差为1的正太分布上,一方面使得数据分布一致,另一方面避免梯度消失,这篇文章主要介绍了pytorch中对nn.BatchNorm2d()函数的理解,需要的朋友可以参考下
简介
机器学习中，进行模型训练之前，需对数据做归一化处理，使其分布一致。在深度神经网络训练过程中，通常一次训练是一个batch，而非全体数据。每个batch具有不同的分布产生了internal covarivate shift问题——在训练过程中，数据分布会发生变化，对下一层网络的学习带来困难。Batch Normalization强行将数据拉回到均值为0，方差为1的正太分布上，一方面使得数据分布一致，另一方面避免梯度消失。
计算
如图所示：
3. Pytorch的nn.BatchNorm2d()函数
其主要需要输入4个参数：
（1）num_features：输入数据的shape一般为[batch_size, channel, height, width], num_features为其中的channel;
（2）eps: 分母中添加的一个值，目的是为了计算的稳定性，默认：1e-5;
（3）momentum: 一个用于运行过程中均值和方差的一个估计参数，默认值为0.1.
（4）affine：当设为true时，给定可以学习的系数矩阵 γ \gamma γ和 β \beta β
4 代码示例
import torch
data = torch.ones(size=(2, 2, 3, 4))
data[0][0][0][0] = 25
print("data = ", data)
print("\n")
print("=========================使用封装的BatchNorm2d()计算================================")
BN = torch.nn.BatchNorm2d(num_features=2, eps=0, momentum=0)
BN_data = BN(data)
print("BN_data = ", BN_data)
print("\n")
print("=========================自行计算================================")
x = torch.cat((data[0][0], data[1][0]), dim=1) # 1.将同一通道进行拼接（即把同一通道当作一个整体）
x_mean = torch.Tensor.mean(x) # 2.计算同一通道所有制的均值（即拼接后的均值）
x_var = torch.Tensor.var(x, False) # 3.计算同一通道所有制的方差（即拼接后的方差）
# 4.使用第一个数按照公式来求BatchNorm后的值
bn_first = ((data[0][0][0][0] - x_mean) / ( torch.pow(x_var, 0.5))) * BN.weight[0] + BN.bias[0]
print("bn_first = ", bn_first)
到此这篇关于pytorch中对nn.BatchNorm2d()函数的理解的文章就介绍到这了,更多相关pytorch nn.BatchNorm2d()函数内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！