BatchNorm¶
- class paddle.sparse.nn. BatchNorm ( num_features, momentum=0.9, epsilon=1e-05, weight_attr=None, bias_attr=None, data_format='NDHWC', use_global_stats=None, name=None ) [源代码] ¶
构建稀疏 BatchNorm
类的一个可调用对象,具体用法参照 代码示例
。可以处理 4D SparseCooTensor ,实现了批归一化层(Batch Normalization Layer)的功能,可用作卷积和全连接操作的批归一化函数,根据当前批次数据按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 use_global_stats = False 时 :math: mu_{beta} 和 :math: sigma_{beta}^{2} 是 minibatch 的统计数据。计算公式如下:
\(x\) :批输入数据
\(m\) :当前批次数据的大小
当 use_global_stats = True \(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 是全局(或运行)统计数据(moving_mean 和 moving_variance),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
参数¶
num_features (int) - 指明输入
Tensor
的通道数量。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。epsilon (float,可选) - 为了数值稳定加在分母上的值。默认值:1e-05。
weight_attr (ParamAttr|bool,可选) - 指定权重参数属性的对象。如果为 False,则表示每个通道的伸缩固定为 1,不可改变。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 cn_api_ParamAttr 。
bias_attr (ParamAttr,可选) - 指定偏置参数属性的对象。如果为 False,则表示每一个通道的偏移固定为 0,不可改变。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 cn_api_ParamAttr 。
data_format (string,可选) - 指定输入数据格式,数据格式可以为“NCDHW"。默认值:“NCDHW”。
use_global_stats (bool,可选) – 指示是否使用全局均值和方差。在预测或测试模式下,将
use_global_stats
设置为 true 或将is_test
设置为 true,这两种行为是等效的。在训练模式中,当设置use_global_stats
为 True 时,在训练期间也将使用全局均值和方差。默认值:False。name (str,可选) - 具体用法请参见 Name ,一般无需设置,默认值为 None。
返回¶
无
形状¶
input:形状为(批大小,维度,高度,宽度,通道数)的 5-D SparseCooTensor。
output:和输入形状一样。
代码示例¶
import paddle
paddle.seed(123)
channels = 3
x_data = paddle.randn((1, 6, 6, 6, channels)).astype('float32')
dense_x = paddle.to_tensor(x_data)
sparse_x = dense_x.to_sparse_coo(4)
batch_norm = paddle.sparse.nn.BatchNorm(channels)
batch_norm_out = batch_norm(sparse_x)
print(batch_norm_out.shape)
# [1, 6, 6, 6, 3]