mindspore.mint.nn.functional.batch_norm
- mindspore.mint.nn.functional.batch_norm(input, running_mean, running_var, weight=None, bias=None, 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。
- 参数:
input (Tensor) - 数据输入,shape为 \((N, C, *)\) 的Tensor,其中 \(*\) 表示任意的附加维度。对于Atlas 训练系列产品,当前仅支持2-4维。支持数据类型为bfloat16,float16或float32。
running_mean (Tensor) - shape为 \((C,)\) ,数据类型为bfloat16,float16或float32。
running_var (Tensor) - shape为 \((C,)\) ,数据类型为bfloat16,float16或float32。
weight (Tensor, 可选) - shape为 \((C,)\) ,数据类型为bfloat16,float16或float32,默认值:
None
。为None
时,初始化为1
。bias (Tensor, 可选) - shape为 \((C,)\) ,数据类型为bfloat16,float16或float32,默认值:
None
。为None
时,初始化为0
。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 \(new\_running\_mean = (1 - momentum) * running\_mean + momentum * current\_mean\))。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
。
- 返回:
Tensor,数据类型与shape大小与 input 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、weight、bias、running_mean 或 running_var 不是Tensor。
- 支持平台:
Ascend
样例:
>>> import mindspore >>> from mindspore import Tensor, mint >>> 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 = mint.nn.functional.batch_norm(input_x, running_mean, running_var, weight, bias) >>> print(output) [[ 2.1621194 1.2360122] [14.810596 10.180061 ]]