mindspore.nn.InstanceNorm1d

class mindspore.nn.InstanceNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, gamma_init='ones', beta_init='zeros', dtype=mstype.float32)[源代码]

该层在三维输入(带有额外通道维度的mini-batch一维输入)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。

\[y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta\]

其中 \(\gamma\)\(\beta\) 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。

InstanceNorm1d和BatchNorm1d类似。不同之处在于InstanceNorm1d应用于RGB图像等通道数据的每个通道,而BatchNorm1d通常应用于批处理。

说明

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 \((N, C, L)\) 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'

  • dtype (mindspore.dtype) - Parameters的dtype。默认值: mstype.float32

输入:
  • x (Tensor) - shape为 \((N, C, L)\) 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 \((N, C, L)\) 。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 as ms
>>> import numpy as np
>>> net = ms.nn.InstanceNorm1d(3)
>>> x = ms.Tensor(np.ones([2, 3, 5]), ms.float32)
>>> output = net(x)
>>> print(output.shape)
(2, 3, 5)