mindspore.ops.batch_norm

mindspore.ops.batch_norm(input_x, running_mean, running_var, weight, bias, training=False, momentum=0.1, eps=1e-05)[源代码]

对输入数据进行批量归一化和更新参数。

批量归一化广泛应用于卷积神经网络中。此运算对输入应用归一化，避免内部协变量偏移，详见论文 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，学习的参数见如下公式中，

\[y = \frac{x - mean}{\sqrt{variance + \epsilon}} * \gamma + \beta\]

其中， \(\gamma\) 为 weight， \(\beta\) 为 bias， \(\epsilon\) 为 eps， \(mean\) 为 \(x\) 的均值， \(variance\) 为 \(x\) 的方差。

警告

  • 对于Ascend 310，由于平方根指令，结果精度未能达到1‰。

说明

  • 如果 training 为False，则 running_mean 、 running_var 、 weight 和 bias 是Tensor。

  • 如果 training 为True，则 running_mean 、 running_var 、 weight 和 bias 是Parameter。

参数：

  • input_x (Tensor) - 数据输入，shape为 \((N, C)\) 的Tensor，数据类型为float16或float32。

  • running_mean (Union[Tensor, Parameter]) - shape为 \((C,)\) ，具有与 weight 相同的数据类型。

  • running_var (Union[Tensor, Parameter]) - shape为 \((C,)\) ，具有与 weight 相同的数据类型。

  • weight (Union[Tensor, Parameter]) - shape为 \((C,)\) ，数据类型为float16或float32。

  • bias (Union[Tensor, Parameter]) - shape为 \((C,)\) ，具有与 weight 相同的数据类型。

  • training (bool, 可选) - 如果 training 为 True，running_mean 和 running_var 会在训练过程中进行计算。 如果 training 为 False ，它们会在推理阶段从checkpoint中加载。默认值：False。

  • momentum (float, 可选) - 动态均值和动态方差所使用的动量。（例如 \(new\_running\_mean = (1 - momentum) * running\_mean + momentum * current\_mean\)）。动量值必须为[0, 1]。默认值：0.1。

  • eps (float, 可选) - 添加到分母上的值，以确保数值稳定性。默认值：1e-5，取值范围为(0, 1]。

返回：

Tensor，数据类型与shape大小与 input_x 相同，其中，shape大小为 \((N, C)\) 。

异常：

  • TypeError - training 不是bool。

  • TypeError - eps 或 momentum 的数据类型不是float。

  • TypeError - input_x、weight、bias、running_mean 或 running_var 不是Tensor。

  • TypeError - input_x 和 weight 的数据类型既不是float16，也不是float32。

支持平台：

Ascend GPU CPU

样例：

>>> input_x = Tensor([[1.0, 2.0], [3.0, 4.0]], mindspore.float32)
>>> running_mean = Tensor([0.5, 1.5], mindspore.float32)
>>> running_var = Tensor([0.1, 0.2], mindspore.float32)
>>> weight = Tensor([2.0, 2.0], mindspore.float32)
>>> bias = Tensor([-1.0, -1.0], mindspore.float32)
>>> output = ops.batch_norm(input_x, running_mean, running_var, weight, bias)
>>> print(output)
[[ 2.1621194  1.2360122]
 [14.810596  10.180061 ]]