比较与torch.nn.GroupNorm的差异
torch.nn.GroupNorm
class torch.nn.GroupNorm(
num_groups,
num_channels,
eps=1e-05,
affine=True
)(input) -> Tensor
更多内容详见torch.nn.GroupNorm。
mindspore.nn.GroupNorm
class mindspore.nn.GroupNorm(
num_groups,
num_channels,
eps=1e-05,
affine=True,
gamma_init='ones',
beta_init='zeros'
)(x) -> Tensor
更多内容详见mindspore.nn.GroupNorm。
差异对比
PyTorch:在mini-batch输入上进行组归一化,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。
MindSpore:MindSpore此API实现功能与PyTorch基本一致,MindSpore还可以对需要学习的放射参数进行额外的初始化。
分类 |
子类 |
PyTorch |
MindSpore |
差异 |
---|---|---|---|---|
参数 |
参数1 |
num_groups |
num_groups |
- |
参数2 |
num_channels |
num_channels |
- |
|
参数3 |
eps |
eps |
- |
|
参数4 |
affine |
affine |
- |
|
参数5 |
- |
gamma_init |
给公式中用于学习的放射变换参数gamma初始化,默认是’ones’,而PyTorch不能额外设置,只能是’ones’ |
|
参数6 |
- |
beta_init |
给公式中用于学习的放射变换参数beta初始化,默认是’zeros’,而PyTorch不能额外设置,只能是’zeros’ |
|
输入 |
单输入 |
input |
x |
接口输入,功能一致,参数名不同 |
代码示例1
两API功能基本一致,MindSpore还可以对两个学习的参数进行额外初始化。
# PyTorch
import torch
import numpy as np
from torch import tensor, nn
x = tensor(np.ones([1, 2, 4, 4], np.float32))
net = nn.GroupNorm(2, 2)
output = net(x).detach().numpy()
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.]]]]
# MindSpore
import mindspore as ms
import numpy as np
from mindspore import Tensor, nn
x = Tensor(np.ones([1, 2, 4, 4], np.float32))
net = nn.GroupNorm(2, 2)
output = net(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.]]]]