mindspore.ops.LRN

class mindspore.ops.LRN(depth_radius=5, bias=1.0, alpha=1.0, beta=0.5, norm_region='ACROSS_CHANNELS')

局部响应归一化操作LRN(Local Response Normalization)。

警告

LRN在Ascend平台已废弃，存在潜在精度问题。建议使用其他归一化方法，如 mindspore.ops.BatchNorm 代替LRN。

$$b_c=a_c{(k+\frac{\alpha }{n}\sum _{c^{\prime }=max(0,c-n/2)}^{min(N-1,c+n/2)}{a}_{c^{\prime }}^2)}^{-\beta }$$

其中 $a_c$ 表示特征图中 $c$ 对应的具体像素值； $n/2$ 为参数 depth_radius ； $k$ 为参数 bias ； $\alpha$ 为参数 alpha ； $\beta$ 为参数 beta 。

参数：

• depth_radius (int) - 一维归一化窗口的半宽。默认值： 5 。

• bias (float) - 偏移量（通常为正以避免除零问题）。默认值： 1.0 。

• alpha (float) - 比例系数，通常为正。默认值： 1.0 。

• beta (float) - 指数。默认值： 0.5 。

• norm_region (str) - 指定归一化区域。可选值： "ACROSS_CHANNELS" 。默认值： "ACROSS_CHANNELS" 。

输入：

• x (Tensor) - 数据类型为float16或float32的四维Tensor。

输出：

Tensor，与 x 的shape和数据类型相同。

异常：

• TypeError - depth_radius 不是int类型。

• TypeError - bias 、 alpha 或 beta 不是float类型。

• TypeError - norm_region 不是str。

• TypeError - x 不是Tensor。

支持平台：

GPU CPU

样例：

>>> import mindspore
>>> import numpy as np
>>> from mindspore import Tensor, ops
>>> x = Tensor(np.array([[[[0.1], [0.2]],
...                       [[0.3], [0.4]]]]), mindspore.float32)
>>> lrn = ops.LRN()
>>> output = lrn(x)
>>> print(output)
[[[[0.09534626]
   [0.1825742 ]]
  [[0.2860388 ]
   [0.3651484 ]]]]