文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.mint.nn.BatchNorm1d

class mindspore.mint.nn.BatchNorm1d(num_features: int, eps=1e-5, momentum=0.1, affine=True, track_running_stats=True, dtype=None)

在二维或三维输入上应用批归一化。具体内容见论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 。

$$y=\frac{x-\mathrm{E}[x]}{\sqrt{\mathrm{Var}[x]+ϵ}}\ast \gamma +\beta$$

在mini-batch上按维度计算平均值和标准方差。$\gamma$ 和 $\beta$ 是一个大小为 C 的可学习参数向量。 默认情况下，$\gamma$ 中的元素被赋值为1。$\beta$ 的元素则被赋值为0.

警告

该接口不支持动态Rank。 这是一个实验性API，后续可能修改或删除。

参数：

• num_features (int) - 输入的shape $(N,C,L)$ 中的 C 值。

• eps (float, 可选) - $ϵ$ 加在分母上的值，以确保数值稳定。默认值： 1e-5 。

• momentum (float, 可选) - 动态均值和动态方差所使用的动量。当想计算累计平均值时，可设置为 None。默认值： 0.1 。

• affine (bool, 可选) - bool类型。设置为 True 时，可学习到反射参数值。默认值： True 。

• track_running_stats (bool, 可选) - bool类型。设置为 True 时，会跟踪运行时的均值和方差。当设置为 False 时， 则不会跟踪这些统计信息。且在tran和eval模式下，该cell总是使用batch的统计信息。

• dtype (mindspore.dtype, 可选) - Parameters的dtype。默认值： None 。

输入：

• input (Tensor) - 输入shape为 $(N,C)$ 或 $(N,C,L)$ 的Tensor，其中 N 为batch， C 为特征数量或通道数量， L 为序列长度。

输出：

Tensor，类型和shape与 input 一致。

异常：

• TypeError - num_features 不是整数。

• TypeError - eps 不是浮点数。

• ValueError - num_features 小于1。

支持平台：

Ascend

样例：

>>> import mindspore
>>> from mindspore import Tensor, mint
>>> input_x = mindspore.Tensor([[0.7, 0.5, 0.5, 0.6], [0.5, 0.4, 0.6, 0.9]])
>>> net = mint.nn.BatchNorm1d(4)
>>> output = net(input_x)
>>> print(output)
[[ 0.99950075 0.9980011 -0.9980068 -0.9997783]
 [-0.9995012 -0.99799967 0.9980068  0.9997778]]