SyncBatchNorm¶
- class paddle.nn. SyncBatchNorm ( num_features, epsilon=1e-5, momentum=0.9, weight_attr=None, bias_attr=None, data_format='NCHW', name=None ) [源代码] ¶
构建 SyncBatchNorm
类的一个可调用对象,具体用法参照 代码示例
。实现了跨卡 GPU 同步的批归一化(Cross-GPU Synchronized Batch Normalization Layer)的功能,可用在其他层(类似卷积层和全连接层)之后进行归一化操作。根据所有 GPU 同一批次的数据按照通道计算的均值和方差进行归一化。更多详情请参考:Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift
当模型处于训练模式时,\(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 是所有 GPU 上同一 minibatch 的统计数据。计算公式如下:
\(x\):所有 GPU 上同一批输入数据
\(m\):所有 GPU 上同一批次数据的大小
当模型处于评估模式时,\(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 是全局(或运行)统计数据(moving_mean 和 moving_variance,这两个统计量通常来自预先训练好的模型)。计算公式如下:
归一化函数公式如下:
\(\epsilon\):添加较小的值到方差中以防止除零
\(\gamma\):可训练的比例参数
\(\beta\):可训练的偏差参数
注解
如果您想用容器封装您的模型,而且您的模型在预测阶段中包含 SyncBatchNorm
这个算子的话,请使用 nn.LayerList
或者 nn.Sequential
而不要直接使用 list
来封装模型。
参数¶
num_features (int) - 指明输入
Tensor
的通道数量。epsilon (float,可选) - 为了数值稳定加在分母上的值。默认值:1e-05。
momentum (float,可选) - 此值用于计算
moving_mean
和moving_var
。默认值:0.9。更新公式如上所示。weight_attr (ParamAttr|bool,可选) - 指定权重参数属性的对象。如果设置为
False
,则表示本层没有可训练的权重参数。默认值为 None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。bias_attr (ParamAttr|bool,可选) - 指定偏置参数属性的对象。如果设置为
False
,则表示本层没有可训练的偏置参数。默认值为 None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。
形状¶
input:一个二维到五维的
Tensor
。output:和 input 相同形状的
Tensor
。
代码示例¶
# required: gpu
import paddle
import paddle.nn as nn
x = paddle.to_tensor([[[[0.3, 0.4], [0.3, 0.07]], [[0.83, 0.37], [0.18, 0.93]]]]).astype('float32')
if paddle.is_compiled_with_cuda():
sync_batch_norm = nn.SyncBatchNorm(2)
hidden1 = sync_batch_norm(x)
print(hidden1)
# Tensor(shape=[1, 2, 2, 2], dtype=float32, place=Place(gpu:0), stop_gradient=False,
# [[[[ 0.26824948, 1.09363246],
# [ 0.26824948, -1.63013160]],
# [[ 0.80956620, -0.66528702],
# [-1.27446556, 1.13018656]]]])
参数¶
layer (paddle.nn.Layer) - 包含一个或多个
BatchNorm*d
层的模型。
返回¶
如果原始模型中有
BatchNorm*d
层,则把BatchNorm*d
层转换为SyncBatchNorm
层的原始模型。
代码示例¶
import paddle
import paddle.nn as nn
model = nn.Sequential(nn.Conv2D(3, 5, 3), nn.BatchNorm2D(5))
sync_model = nn.SyncBatchNorm.convert_sync_batchnorm(model)