mindspore.nn.BatchNorm2d

class mindspore.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.9, affine=True, gamma_init='ones', beta_init='zeros', moving_mean_init='zeros', moving_var_init='ones', use_batch_statistics=None, data_format='NCHW')[源代码]

对输入的四维数据进行批归一化(Batch Normalization Layer)。

在四维输入（具有额外通道维度的小批量二维输入）上应用批归一化处理，以避免内部协变量偏移。批归一化广泛应用于卷积网络中。请见论文 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 。使用mini-batch数据和学习参数进行训练，这些参数见以下公式。

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

Note

BatchNorm的实现在图模式和PyNative模式下是不同的，因此不建议在网络初始化后更改其模式。

需要注意的是，更新 \(moving\_mean\) 和 \(moving\_var\) 的公式为：

\[\begin{split}\text{moving_mean}=\text{moving_mean*momentum}+μ_β\text{*(1−momentum)}\\ \text{moving_var}=\text{moving_var*momentum}+σ^2_β\text{*(1−momentum)}\end{split}\]

其中， \(moving\_mean\) 是更新后的均值， \(moving\_var\) 是更新后的方差， \(μ_β, σ^2_β\) 是每一批的数据的观测值(均值和方差)。

参数：

num_features (int) - 指定输入Tensor的通道数量，输入Tensor的size为 \((N, C, H, W)\) 。
eps (float) - \(\epsilon\) 加在分母上的值，以确保数值稳定。默认值：1e-5。
momentum (float) - 动态均值和动态方差所使用的动量。默认值：0.9。
affine (bool) - bool类型。设置为True时，可学习 \(\gamma\) 和 \(\beta\) 值。默认值：True。
gamma_init (Union[Tensor, str, Initializer, numbers.Number]) - \(\gamma\) 参数的初始化方法。str的值引用自函数 mindspore.common.initializer，包括’zeros’、’ones’等。默认值：’ones’。
beta_init (Union[Tensor, str, Initializer, numbers.Number]) - \(\beta\) 参数的初始化方法。str的值引用自函数 mindspore.common.initializer，包括’zeros’、’ones’等。默认值：’zeros’。
moving_mean_init (Union[Tensor, str, Initializer, numbers.Number]) - 动态平均值的初始化方法。str的值引用自函数 mindspore.common.initializer，包括’zeros’、’ones’等。默认值：’zeros’。
moving_var_init (Union[Tensor, str, Initializer, numbers.Number]) - 动态方差的初始化方法。str的值引用自函数 mindspore.common.initializer，包括’zeros’、’ones’等。默认值：’ones’。
use_batch_statistics (bool) - 如果为True，则使用当前批处理数据的平均值和方差值，并跟踪运行平均值和运行方差。如果为False，则使用指定值的平均值和方差值，不跟踪统计值。如果为None，则根据训练和验证模式自动设置 use_batch_statistics 为True或False。在训练时， use_batch_statistics会设置为True。在验证时， use_batch_statistics 会自动设置为False。默认值：None。
data_format (str) - 数据格式可为’NHWC’或’NCHW’。默认值：’NCHW’。

输入：

x (Tensor) - 输入shape为 \((N,C_{in},H_{in},W_{in})\) 的Tensor。

输出：

Tensor，归一化后的Tensor，shape为 \((N,C_{out},H_{out},W_{out})\) 。

异常：

TypeError - num_features 不是整数。
TypeError - eps 不是浮点数。
ValueError - num_features 小于1。
ValueError - momentum 不在范围[0, 1]内。
ValueError - data_format 既不是’NHWC’也不是’NCHW’。

支持平台：: Ascend GPU CPU

样例：

>>> import numpy as np
>>> import mindspore.nn as nn
>>> from mindspore import Tensor
>>> net = nn.BatchNorm2d(num_features=3)
>>> x = Tensor(np.ones([1, 3, 2, 2]).astype(np.float32))
>>> output = net(x)
>>> print(output)
[[[[ 0.999995 0.999995 ]
   [ 0.999995 0.999995 ]]
  [[ 0.999995 0.999995 ]
   [ 0.999995 0.999995 ]]
  [[ 0.999995 0.999995 ]
   [ 0.999995 0.999995 ]]]]