mindspore.nn.GroupNorm
- class mindspore.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, gamma_init='ones', beta_init='zeros')[源代码]
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。
公式如下,
\[y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta\]- 参数:
num_groups (int) - 沿通道维度待划分的组数。
num_channels (int) - 输入的通道数。
eps (float) - 添加到分母中的值,以确保数值稳定。默认值:1e-05。
affine (bool) - Bool类型,当设置为True时,给该层添加可学习的仿射变换参数,即gama与beta。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’、’xavier_uniform’、’he_uniform’等。默认值:’ones’。如果gamma_init是Tensor,则shape必须为 \((num\_channels)\) 。
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’、’xavier_uniform’、’he_uniform’等。默认值:’zeros’如果gamma_init是Tensor,则shape必须为 \((num\_channels)\) 。
- 输入:
x (Tensor) - shape为 \((N, C, H, W)\) 的特征输入。
- 输出:
Tensor,标准化和缩放的偏移Tensor,具有与 x 相同的shape和数据类型。
- 异常:
TypeError - num_groups 或 num_channels 不是int。
TypeError - eps 不是float。
TypeError - affine 不是bool。
ValueError - num_groups 或 num_channels 小于1。
ValueError - num_channels 未被 num_groups 整除。
- 支持平台:
Ascend
GPU
CPU
样例:
>>> group_norm_op = nn.GroupNorm(2, 2) >>> x = Tensor(np.ones([1, 2, 4, 4], np.float32)) >>> output = group_norm_op(x) >>> 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.]]]]