mindspore.mint.nn.functional.group_norm

mindspore.mint.nn.functional.group_norm(input, num_groups, weight=None, bias=None, eps=1e-5)

在mini-batch输入上进行组归一化。

Group Normalization被广泛用于递归神经网络中。适用单个训练用例的mini-batch输入归一化，详见论文 Group Normalization 。

Group Normalization把通道划分为组，然后计算每一组之内的均值和方差，以进行归一化。其中 \(\gamma\) 是通过训练学习出的scale值，\(\beta\) 是通过训练学习出的shift值。

公式如下，

\[y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta\]

其中， \(\gamma\) 为 weight， \(\beta\) 为 bias， \(\epsilon\) 为 eps。

参数：

• input (Tensor) - shape为 \((N, C, *)\) 的特征输入，其中 \(*\) 表示任意的附加维度。

• num_groups (int) - 沿通道维度待划分的组数。

• weight (Tensor, 可选) - shape为 \((C,)\) ，默认值为： None ，具有与 input 相同的数据类型。

• bias (Tensor, 可选) - shape为 \((C,)\) ，默认值为： None ，具有与 input 相同的数据类型。

• eps (float, 可选) - 添加到分母中的值，以确保数值稳定。默认值： 1e-5 。

返回：

Tensor，标准化和缩放的偏移Tensor，具有与 input 相同的shape和数据类型。

异常：

• TypeError - num_groups 不是int。

• TypeError - eps 不是float。

• ValueError - num_groups 小于1。

• ValueError - C ( input 的第二维) 未被 num_groups 整除。

支持平台：

Ascend

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> from mindspore import mint
>>> x = ms.Tensor(np.ones([1, 2, 4, 4], np.float32))
>>> output = mint.nn.functional.group_norm(x, 2)
>>> print(output)
[[[[0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]]
  [[0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]]]]