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。

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.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。

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

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类似。不同之处在于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) - 通道数量，输入Tensor shape $(N,C,H,W)$ 中的 C 。

• 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。使用Tensor作为初始化参数时，shape必须为 $(C)$。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。使用Tensor作为初始化参数时，shape必须为 $(C)$。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 的类型不是float。

• TypeError - momentum 的类型不是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。

• ValueError - gamma_init / beta_init 的shape不为 $(C)$ 。

• 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)