mindspore.mint.nn.functional.group_norm

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

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, \(\gamma\)weight\(\beta\)bias\(\epsilon\)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.]]]]