比较与torch.nn.LocalResponseNorm的功能差异

torch.nn.LocalResponseNorm

class torch.nn.LocalResponseNorm(
    size,
    alpha=0.0001,
    beta=0.75,
    k=1.0
)(input) -> Tensor

更多内容详见torch.nn.LocalResponseNorm。

mindspore.ops.LRN

class mindspore.ops.LRN(
    depth_radius=5,
    bias=1.0,
    alpha=1.0,
    beta=0.5,
    norm_region="ACROSS_CHANNELS"
)(x) -> Tensor

更多内容详见mindspore.ops.LRN。

差异对比

PyTorch：进行局部响应归一化操作，它通过特定的方式对每个神经元的输入进行归一化，以提高深度神经网络的泛化能力。返回一个与input具有相同类型的Tensor。

MindSpore：MindSpore此API实现功能与PyTorch一致。MindSpore的 depth_radius 参数与PyTorch的 size 实现同样的功能，但存在一个二倍映射关系：size=2*depth_radius。目前mindspore.ops.LRN与tf.raw_ops.LRN能完全对标，两者能达到相同的精度；如果与torch.nn.LocalResponseNorm相比，会存在1e-3的精度差异。

分类	子类	PyTorch	MindSpore	差异
参数	参数1	size	depth_radius	归一化的相邻神经元数，映射关系为 size=2*depth_radius
	参数2	k	bias	功能一致，参数名不同
	参数3	alpha	alpha	-
	参数4	beta	beta	-
	参数5	-	norm_region	指定归一化区域。PyTorch无此参数
输入	单输入	input	x	功能一致，参数名不同

代码示例1

MindSpore中的 depth_radius 与PyTorch的 size 存在二倍映射关系，因此将 depth_radius 设置为 size 的一半就能实现同样的功能。

# PyTorch
import torch
import numpy as np

input_x = torch.from_numpy(np.array([[[[2.4], [3.51]],[[1.3], [-4.4]]]], dtype=np.float32))
output = torch.nn.LocalResponseNorm(size=2, alpha=0.0001, beta=0.75, k=1.0)(input_x)
print(output.numpy())
#[[[[ 2.3994818]
#   [ 3.5083795]]
#  [[ 1.2996368]
#   [-4.39478  ]]]]

# MindSpore
import mindspore
from mindspore import Tensor
import mindspore.ops.operations as ops
import numpy as np

input_x = Tensor(np.array([[[[2.4], [3.51]],[[1.3], [-4.4]]]]), mindspore.float32)
lrn = ops.LRN(depth_radius=1, bias=1.0, alpha=0.0001, beta=0.75)
output = lrn(input_x)
print(output)
#[[[[ 2.39866  ]
#   [ 3.5016835]]
#  [[ 1.2992741]
#   [-4.3895745]]]]