nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示-Toy模板网

这篇具有很好参考价值的文章主要介绍了nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1 nn.BatchNorm

BatchNorm是深度网络中经常用到的加速神经网络训练，加速收敛速度及稳定性的算法，是深度网络训练必不可少的一部分,几乎成为标配；

BatchNorm 即批规范化，是为了将每个batch的数据规范化为统一的分布，帮助网络训练，对输入数据做规范化，称为Covariate shift；

数据经过一层层网络计算后，数据的分布也在发生着变化，因为每一次参数迭代更新后，上一层网络输出数据，经过这一层网络参数的计算，数据的分布会发生变化，这就为下一层网络的学习带来困难 -- 也就是在每一层都进行批规范化（Internal Covariate shift），方便网络训练，因为神经网络本身就是要学习数据的分布；

下面通过代码掩饰BatchNorm的作用；

首先要清楚，BatchNorm后是不改变输入的shape的；

nn.BatchNorm1d： N * d --> N * d

nn.BatchNorm2d: N * C * H * W -- > N * C * H * W

nn.BatchNorm3d: N * C * d * H * W --> N * C * d * H * W

下面讲解nn.BatchNorm1d，和nn.BatchNorm2d的情况

1.1 nn.BatchNorm1d

首先看其参数：

CLASStorch.nn.BatchNorm1d(num_features, eps=1e-05, momentum=0.1, affine=True, 
track_running_stats=True, device=None, dtype=None)

主要参数介绍：

num_features: 输入维度，也就是数据的特征维度；

eps：是在分母上加的一个值，是为了防止分母为0的情况，让其能正常计算；

affine：是仿射变化，将 nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示 ,分别初始化为1和0；

使用方法介绍：

主要作用在特征上，比如输入维度为N*d, N代表batchsize大小，d代表num_features；

而nn.BatchNorm1d是对num_features做归一化处理，也就是对批次内的特征进行归一化；

如输入 N = 5（batch_size = 5）， d = 3(数据特征维度为3)；

nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示

上图中的r, b是可学习的参数，文档中成为放射变换，文档中称为 nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示 , 可以使用x.weight 和 x.bias获得, r初始化值为1，b初始化值为0；

上图中方差的计算是采用的有偏估计；

归一化处理公式：

nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示

E(x)表示均值， Var(x)表示方差； nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示表示为上述参数的eps，防止分母为0 的情况；

演示代码：

>>> import torch 
>>> import torch.nn as nn
 m = nn.BatchNorm1d(3) #首先要实例化，才能使用，3 对应输入特征，也就是number_features 
>>> m.weight # 对应r ，初始化值为1
Parameter containing:
tensor([1., 1., 1.], requires_grad=True)
>>> m.bias # 对应b，初始化为0
Parameter containing:
tensor([0., 0., 0.], requires_grad=True)
>>> output.mean(dim = 0) # 归一化后，平均值都是0， e-08 实际上也就是0了
tensor([ 0.0000e+00, -1.1921e-08, -2.3842e-08], grad_fn=<MeanBackward1>)
>>> output.std(dim = 0,unbiased = False) # 标准差为1， 有偏估计，所以unbiased = False
tensor([1.0000, 1.0000, 1.0000], grad_fn=<StdBackward0>)

采用普通方法实现BatchNorm：

>>> x
tensor([[ 0.0482, -0.1098,  0.4099],
        [ 0.9851,  2.8229, -0.7795],
        [ 0.3493, -1.0165, -0.0416],
        [ 1.5942, -1.3420,  1.0296],
        [ 0.0452, -1.0462, -1.1866]])
>>> mean = x.mean(dim = 0)
>>> mean
tensor([ 0.6044, -0.1383, -0.1136])
>>> std = torch.sqrt(1e-5 + torch.var(x,dim = 0, unbiased = False))
>>> std
tensor([0.6020, 1.5371, 0.7976])
>>> (x - mean)/std
tensor([[-0.9239,  0.0185,  0.6564],
        [ 0.6325,  1.9265, -0.8348],
        [-0.4238, -0.5713,  0.0903],
        [ 1.6442, -0.7831,  1.4333],
        [-0.9290, -0.5906, -1.3452]])
>>> m(x) # 和上述计算结果相同
tensor([[-0.9239,  0.0185,  0.6564],
        [ 0.6325,  1.9265, -0.8348],
        [-0.4238, -0.5713,  0.0903],
        [ 1.6442, -0.7831,  1.4333],
        [-0.9290, -0.5906, -1.3452]], grad_fn=<NativeBatchNormBackward0>)

1.2 nn.BatchNorm2d

首先看其参数：

CLASStorch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, 
track_running_stats=True, device=None, dtype=None)

使用方法介绍：

主要作用在特征上，比如输入维度为B*C*H*W, B代表batchsize大小，C代表channel，H代表图片的高度维度，W代表图片的宽度维度；

而nn.BatchNorm2d是对channel做归一化处理，也就是对批次内的特征进行归一化；

如输入B * C * H * W = (2 * 3 * 2 * 2):

nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示

计算的均值和方差的方式实际上是把batch内对应通道的数据拉平计算；

演示代码：

>>> y = torch.randn(2,3,2,2)
>>> y
tensor([[[[-0.3008,  0.7066],
          [ 0.5374, -0.4211]],

         [[-0.3935,  0.6193],
          [ 0.5375, -0.2747]],

         [[ 0.8895,  0.0956],
          [-0.0622,  1.7511]]],


        [[[-0.2402,  0.6884],
          [ 0.5264,  0.3918]],

         [[-0.3101, -0.6729],
          [-0.5292, -1.0383]],

         [[-0.6681, -0.3747],
          [ 0.3431,  0.3245]]]])
>>> n = nn.BatchNorm2d(3)
>>> n.weight
Parameter containing:
tensor([1., 1., 1.], requires_grad=True)
>>> n.bias
Parameter containing:
tensor([0., 0., 0.], requires_grad=True)
>>> n(y)
tensor([[[[-1.2111,  1.0613],
          [ 0.6797, -1.4823]],

         [[-0.2544,  1.6433],
          [ 1.4902, -0.0318]],

         [[ 0.8494, -0.2705],
          [-0.4931,  2.0649]]],


        [[[-1.0742,  1.0204],
          [ 0.6549,  0.3513]],

         [[-0.0981, -0.7779],
          [-0.5086, -1.4626]],

         [[-1.3479, -0.9340],
          [ 0.0786,  0.0524]]]], grad_fn=<NativeBatchNormBackward0>)

关于均值方差的计算方法演示：

>>> z = [-1.2111,  1.0613, 0.6797, -1.4823, -1.0742,  1.0204, 0.6549,  0.3513] # 每个通道拉平计算
>>> import numpy as np
>>> np.mean(z) # 10的-17次方就是0
-2.7755575615628914e-17
>>> np.std(z) # numpy默认是有偏的， torch的模式是无偏的
0.9999846111315913

参考：[pytorch 网络模型结构] 深入理解 nn.BatchNorm1d/2d 计算过程_哔哩哔哩_bilibili文章来源地址https://www.toymoban.com/news/detail-417277.html

到了这里，关于nn.BatchNorm讲解，nn.BatchNorm1d, nn.BatchNorm2d代码演示的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！