mindspore.nn.InstanceNorm2d

class mindspore.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, gamma_init='ones', beta_init='zeros')

对四维输入实现实例归一化（Instance Normalization Layer）。

该层在四维输入（带有额外通道维度的mini-batch二维输入）上应用实例归一化，详见论文 Instance Normalization: The Missing Ingredient for Fast Stylization 。 使用mini-batch数据和学习参数进行训练，参数见如下公式。

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

其中gamma和beta是可学习的参数向量，如果 affine 为True，则大小为 num_features 。通过偏置估计函数计算标准偏差。

此层使用从训练和验证模式的输入数据计算得到的实例数据。

InstanceNorm2d和BatchNorm2d非常相似，但略有不同。InstanceNorm2d应用于RGB图像等通道数据的每个通道，而BatchNorm2d通常应用于批处理。

Note

需要注意的是，更新滑动平均和滑动方差的公式为 \(\hat{x}_\text{new} = (1 - \text{momentum}) \times x_t + \text{momentum} \times \hat{x}\) ,其中 \(\hat{x}\) 是估计的统计量， \(x_t\) 是新的观察值。

参数：

• num_features (int) - 输入Tensor的通道数量。

• eps (float) - 添加到分母中的值，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：0.1。

• affine (bool) - bool类型。设置为True时，可以学习gamma和beta参数。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 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 initializer ，包括’zeros’、’ones’等。默认值：’zeros’。

输入：

• x (Tensor) - shape为 \((N, C, H, W)\) 的Tensor。数据类型为float16或float32。

输出：

Tensor，归一化，缩放，偏移后的Tensor，其shape为 \((N, C, H, W)\) 。类型和shape与 x 相同。

异常：

• TypeError - num_features 不是整数。

• TypeError - eps 不是float。

• TypeError - momentum 不是float。

• TypeError - affine 不是bool。

• TypeError - gamma_init / beta_init 的类型不相同，或者初始化的元素类型不是float32。

• ValueError - num_features 小于1。

• ValueError - momentum 不在范围[0, 1]内。

• KeyError - gamma_init / beta_init 中的任何一个是str，并且不存在继承自 Initializer 的同义类。

支持平台：

GPU

样例：

>>> import mindspore
>>> import numpy as np
>>> import mindspore.nn as nn
>>> from mindspore import Tensor
>>> net = nn.InstanceNorm2d(3)
>>> x = Tensor(np.ones([2, 3, 2, 2]), mindspore.float32)
>>> output = net(x)
>>> print(output.shape)
(2, 3, 2, 2)