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.ops.group_norm

mindspore.ops.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。适用于单个训练用例的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，

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

其中， $\gamma$ 为 weight， $\beta$ 为 bias， $ϵ$ 为 eps。

参数：

• input (Tensor) - shape为 $(N,C,\ast )$ 的特征输入，其中 $\ast$ 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 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 GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> from mindspore import ops
>>> x = ms.Tensor(np.ones([1, 2, 4, 4], np.float32))
>>> output = ops.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.]]]]