新手深入浅出理解PyTorch归一化层全解析

定义：BatchNorm1d 对于每个特征维度计算小批量（mini-batch）的均值和标准差，并使用这些统计量对数据进行归一化。
数学表达式：对于输入 x，BatchNorm1d 计算为 $y=\frac{x-E[x]}{\sqrt{Var[x]+\varepsilon }}*\gamma +\beta$ ?其中 E[x] 是均值，Var[x] 是方差， $\gamma$ 和 $\beta$ 是可学习的参数向量， $\epsilon$ 是为了数值稳定性而加的小值。

参数详解

num_features（int）：输入的特征或通道数 C。
eps（float）：为了数值稳定性加在分母上的小值，默认为 1e-5。
momentum（float）：用于计算 running_mean 和 running_var 的值。默认为 0.1。设为 None 可用于计算累积移动平均（即简单平均）。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 True。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，且初始化 running_mean 和 running_var 为 None。在这种情况下，模块总是使用批量统计量。默认为 True。

使用技巧与注意事项

在训练和评估模式下的不同行为：在训练模式下，该层会计算并更新均值和方差的运行估计。在评估模式下，它会使用这些估计进行归一化。
选择正确的 momentum：momentum 参数对于运行统计量的更新非常重要，需要根据应用场景适当选择。

示例代码

下面是一个使用 BatchNorm1d 的示例代码：

import torch
import torch.nn as nn

# 带有可学习参数的 BatchNorm1d
m = nn.BatchNorm1d(100)

# 不带可学习参数的 BatchNorm1d
m_no_affine = nn.BatchNorm1d(100, affine=False)

# 创建输入张量
input_tensor = torch.randn(20, 100)

# 应用 BatchNorm1d
output = m(input_tensor)

print("Output with Learnable Parameters:", output)

?这段代码展示了如何初始化带有和不带有可学习参数的 BatchNorm1d 层，并对一个随机生成的输入张量应用该层。

nn.BatchNorm2d

BatchNorm2d 函数简介

用途：BatchNorm2d 用于对包含额外通道维度的二维输入的小批量（mini-batch）进行批量归一化。它主要用于加速深度网络训练，并减少内部协变量偏移。

函数工作原理

定义：该函数对每个特征维度计算小批量的均值和标准差，并使用这些统计量对数据进行归一化。
数学表达式：对于输入 x，BatchNorm2d 计算为 $y=\frac{x-E[x]}{\sqrt{Var[x]+\varepsilon }}*\gamma +\beta$ ?其中 E[x] 是均值，Var[x] 是方差， $\gamma$ 和 $\beta$ 是可学习的参数向量， $\epsilon$ 是一个小的常数，用于数值稳定性。

参数详解

num_features（int）：期望输入的大小 (N, C, H, W) 中的 C，即通道数。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。设置为 None 时表示使用累积移动平均（即简单平均）。默认为 0.1。
affine（bool）：当设置为 True 时，此模块具有可学习的仿射参数。默认为 True。
track_running_stats（bool）：当设置为 True 时，此模块跟踪运行均值和方差；设置为 False 时，不跟踪这些统计量，并且将 running_mean 和 running_var 初始化为 None。在这种情况下，模块总是使用批量统计量。默认为 True。

使用技巧与注意事项

训练与评估模式的不同：在训练模式下，该层会更新运行均值和方差的估计；在评估模式下，则使用这些估计进行归一化。
适当选择 momentum：选择合适的 momentum 值对于运行统计量的准确性非常重要。

示例代码

下面是一个使用 BatchNorm2d 的示例代码：

import torch
import torch.nn as nn

# 带有可学习参数的 BatchNorm2d
m = nn.BatchNorm2d(100)

# 不带可学习参数的 BatchNorm2d
m_no_affine = nn.BatchNorm2d(100, affine=False)

# 创建输入张量
input_tensor = torch.randn(20, 100, 35, 45)

# 应用 BatchNorm2d
output = m(input_tensor)

print("Output with Learnable Parameters:", output)

这段代码展示了如何初始化带有和不带有可学习参数的 BatchNorm2d 层，并对一个随机生成的四维输入张量应用该层。

?nn.BatchNorm3d

BatchNorm3d 函数简介

用途：BatchNorm3d 主要用于加速深度神经网络的训练，并减少内部协变量偏移。它特别适用于处理具有深度、高度和宽度维度的数据，如视频或医学成像数据。

参数详解

num_features（int）：期望输入的大小 (N, C, D, H, W) 中的 C，即通道数。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。设置为 None 时表示使用累积移动平均（即简单平均）。默认为 0.1。
affine（bool）：当设置为 True 时，此模块具有可学习的仿射参数。默认为 True。
track_running_stats（bool）：当设置为 True 时，此模块跟踪运行均值和方差；设置为 False 时，不跟踪这些统计量，并且将 running_mean 和 running_var 初始化为 None。在这种情况下，模块总是使用批量统计量。默认为 True。

使用技巧与注意事项

训练与评估模式的不同：在训练模式下，该层会更新运行均值和方差的估计；在评估模式下，则使用这些估计进行归一化。
适当选择 momentum：选择合适的 momentum 值对于运行统计量的准确性非常重要。

示例代码

下面是一个使用 BatchNorm3d 的示例代码：

import torch
import torch.nn as nn

# 带有可学习参数的 BatchNorm3d
m = nn.BatchNorm3d(100)

# 不带可学习参数的 BatchNorm3d
m_no_affine = nn.BatchNorm3d(100, affine=False)

# 创建输入张量
input_tensor = torch.randn(20, 100, 35, 45, 10)

# 应用 BatchNorm3d
output = m(input_tensor)

print("Output with Learnable Parameters:", output)

这段代码展示了如何初始化带有和不带有可学习参数的 BatchNorm3d 层，并对一个随机生成的五维输入张量应用该层。

nn.LazyBatchNorm1d

LazyBatchNorm1d 函数简介

用途：LazyBatchNorm1d 与标准的 BatchNorm1d 功能相似，但它在模型构建阶段不需要指定 num_features（特征数量）。这一点在处理动态或未知大小的输入特征时非常有用。

函数工作原理

懒初始化：该模块会在接收到第一个输入数据时自动推断 num_features 的大小。在这之前，权重（weight）、偏差（bias）、运行均值（running_mean）和运行方差（running_var）等属性保持未初始化状态。

参数详解

eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。设置为 None 时表示使用累积移动平均（即简单平均）。默认为 0.1。
affine（bool）：当设置为 True 时，此模块具有可学习的仿射参数。默认为 True。
track_running_stats（bool）：当设置为 True 时，此模块跟踪运行均值和方差；设置为 False 时，不跟踪这些统计量，并且将 running_mean 和 running_var 初始化为 None。在这种情况下，模块总是使用批量统计量。默认为 True。

使用技巧与注意事项

懒初始化的限制：懒初始化模块在模型的序列化和复制过程中可能有一些限制。建议在模型的最终版本中使用具体的 BatchNorm1d 模块，而不是懒初始化版本。
适用场景：在模型构建时，如果输入特征的数量未知或可能发生变化，使用 LazyBatchNorm1d 可以提供更大的灵活性。

示例代码

下面是一个使用 LazyBatchNorm1d 的示例代码：

import torch
import torch.nn as nn

# 创建 LazyBatchNorm1d 层
m = nn.LazyBatchNorm1d()

# 创建输入张量（特征数量未指定）
input_tensor = torch.randn(20, 100)

# 应用 LazyBatchNorm1d
output = m(input_tensor)

print("Output:", output)

在这个示例中，LazyBatchNorm1d 在接收到输入张量后自动推断特征数量，并初始化相关的参数。

nn.LazyBatchNorm2d

LazyBatchNorm2d 函数简介

用途：LazyBatchNorm2d 类似于标准的 BatchNorm2d，但它可以在模型构建阶段自动推断 num_features 参数（即输入通道数）。这对于处理动态或未知大小的输入特别有用。

函数工作原理

懒初始化：在接收到第一个输入数据时，LazyBatchNorm2d 自动推断 num_features 的大小。在此之前，权重（weight）、偏差（bias）、运行均值（running_mean）和运行方差（running_var）等属性保持未初始化状态。

参数详解

eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。设置为 None 时表示使用累积移动平均（即简单平均）。默认为 0.1。
affine（bool）：当设置为 True 时，此模块具有可学习的仿射参数。默认为 True。
track_running_stats（bool）：当设置为 True 时，此模块跟踪运行均值和方差；设置为 False 时，不跟踪这些统计量，并且将 running_mean 和 running_var 初始化为 None。在这种情况下，模块总是使用批量统计量。默认为 True。

使用技巧与注意事项

懒初始化的限制：懒初始化模块在模型的序列化和复制过程中可能有一些限制。建议在模型的最终版本中使用具体的 BatchNorm2d 模块，而不是懒初始化版本。
适用场景：在模型构建时，如果输入通道数未知或可能发生变化，使用 LazyBatchNorm2d 可以提供更大的灵活性。

示例代码

下面是一个使用 LazyBatchNorm2d 的示例代码：

import torch
import torch.nn as nn

# 创建 LazyBatchNorm2d 层
m = nn.LazyBatchNorm2d()

# 创建输入张量（通道数量未指定）
input_tensor = torch.randn(20, 100, 35, 45)

# 应用 LazyBatchNorm2d
output = m(input_tensor)

print("Output:", output)

在这个示例中，LazyBatchNorm2d 在接收到输入张量后自动推断通道数量，并初始化相关的参数。

nn.LazyBatchNorm3d

LazyBatchNorm3d 函数简介

用途：LazyBatchNorm3d 类似于标准的 BatchNorm3d，但它能够在模型构建阶段自动推断 num_features 参数（即输入通道数）。这在处理动态或未知大小的输入时特别有用。

函数工作原理

懒初始化：在接收到第一个输入数据时，LazyBatchNorm3d 自动推断 num_features 的大小。在此之前，权重（weight）、偏差（bias）、运行均值（running_mean）和运行方差（running_var）等属性保持未初始化状态。

参数详解

eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。设置为 None 时表示使用累积移动平均（即简单平均）。默认为 0.1。
affine（bool）：当设置为 True 时，此模块具有可学习的仿射参数。默认为 True。
track_running_stats（bool）：当设置为 True 时，此模块跟踪运行均值和方差；设置为 False 时，不跟踪这些统计量，并且将 running_mean 和 running_var 初始化为 None。在这种情况下，模块总是使用批量统计量。默认为 True。

使用技巧与注意事项

懒初始化的限制：懒初始化模块在模型的序列化和复制过程中可能有一些限制。建议在模型的最终版本中使用具体的 BatchNorm3d 模块，而不是懒初始化版本。
适用场景：在模型构建时，如果输入通道数未知或可能发生变化，使用 LazyBatchNorm3d 可以提供更大的灵活性。

示例代码

下面是一个使用 LazyBatchNorm3d 的示例代码：

import torch
import torch.nn as nn

# 创建 LazyBatchNorm3d 层
m = nn.LazyBatchNorm3d()

# 创建输入张量（通道数量未指定）
input_tensor = torch.randn(20, 100, 10, 35, 45)

# 应用 LazyBatchNorm3d
output = m(input_tensor)

print("Output:", output)

?在这个示例中，LazyBatchNorm3d 在接收到输入张量后自动推断通道数量，并初始化相关的参数。

nn.GroupNorm

GroupNorm 函数简介

用途：GroupNorm 在一批输入数据上应用组归一化，其特别适用于小批量（mini-batch）大小较小的情况。它按照给定的组数将输入通道分组，并在每组内独立计算均值和标准差用于归一化。

函数工作原理

数学表达式：对于输入 x，BatchNorm2d 计算为 $y=\frac{x-E[x]}{\sqrt{Var[x]+\varepsilon }}*\gamma +\beta$ ?其中 E[x] 是均值，Var[x] 是方差， $\gamma$ 和 $\beta$ 是可学习的仿射变换参数， $\epsilon$ 是一个小的常数，用于数值稳定性。
分组：输入通道被分成 num_groups 组，每组包含 num_channels / num_groups 通道。num_channels 必须能被 num_groups 整除。

参数详解

num_groups（int）：要将通道分成的组数。
num_channels（int）：输入中期望的通道数。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
affine（bool）：若设置为 True，则此模块具有可学习的逐通道仿射参数。默认为 True。

使用技巧与注意事项

应用场景：GroupNorm 在批量大小较小或不定时特别有用，因为它不像批量归一化那样依赖于整个批量的统计数据。
与其他归一化方法的对比：将所有通道分为一个组时，等同于 LayerNorm；将每个通道作为一个单独的组时，等同于 InstanceNorm。

示例代码

下面是一些使用 GroupNorm 的示例代码：

import torch
import torch.nn as nn

# 输入数据
input = torch.randn(20, 6, 10, 10)

# 将 6 个通道分成 3 组
m = nn.GroupNorm(3, 6)

# 将 6 个通道分成 6 组（等同于 InstanceNorm）
m_instance = nn.GroupNorm(6, 6)

# 将所有 6 个通道放入一个组（等同于 LayerNorm）
m_layer = nn.GroupNorm(1, 6)

# 激活模块
output = m(input)

nn.InstanceNorm1d

InstanceNorm1d 函数简介

用途：InstanceNorm1d 主要用于对一维数据（如多通道时间序列）应用实例归一化，这在风格化变换等应用中非常有用。它按照每个样本和每个通道分别计算归一化统计。

函数工作原理

定义：对于每个样本和通道，InstanceNorm1d 对数据进行归一化： $y=\frac{x-E[x]}{\sqrt{Var[x]+\varepsilon }}*\gamma +\beta$ ?其中 E[x] 是每个样本和通道的均值，Var[x] 是方差， $\gamma$ 和 $\beta$ 是可学习的参数（如果 affine 设置为 True）， $\epsilon$ 是为了数值稳定性添加的小常数。

参数详解

num_features（int）：输入中的特征或通道数 C。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。默认为 0.1。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 False。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，总是使用批量统计量。默认为 False。

使用技巧与注意事项

训练和评估模式：默认情况下，无论是在训练还是评估模式，InstanceNorm1d 都使用实例统计量。如果 track_running_stats 设置为 True，则在训练模式下会更新运行统计量，这些统计量在评估模式下用于归一化。
与 LayerNorm 的区别：虽然 InstanceNorm1d 和 LayerNorm 非常相似，但 InstanceNorm1d 是在每个通道上独立应用的，而 LayerNorm 通常应用于整个样本，并且常用于 NLP 任务。

示例代码

下面是一个使用 InstanceNorm1d 的示例代码：

import torch
import torch.nn as nn

# 不带可学习参数的 InstanceNorm1d
m = nn.InstanceNorm1d(100)

# 带有可学习参数的 InstanceNorm1d
m_affine = nn.InstanceNorm1d(100, affine=True)

# 创建输入张量
input_tensor = torch.randn(20, 100, 40)

# 应用 InstanceNorm1d
output = m(input_tensor)

print("Output:", output)

nn.InstanceNorm2d

InstanceNorm2d 函数简介

用途：InstanceNorm2d 主要用于对四维输入（如小批量的二维输入，具有额外的通道维度）应用实例归一化。这在图像处理（例如风格化变换）中特别有用，因为它按照每个样本和每个通道分别计算归一化统计。

函数工作原理?

定义：对于每个样本和通道，InstanceNorm2d 对数据进行归一化： $y=\frac{x-E[x]}{\sqrt{Var[x]+\varepsilon }}*\gamma +\beta$ 其中 E[x] 是每个样本和通道的均值，Var[x] 是方差， $\gamma$ 和 $\beta$ 是可学习的参数（如果 affine 设置为 True），是为了数值稳定性添加的小常数。

参数详解

num_features（int）：输入中的特征或通道数 C。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。默认为 0.1。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 False。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，总是使用批量统计量。默认为 False。

使用技巧与注意事项

训练和评估模式：默认情况下，无论是在训练还是评估模式，InstanceNorm2d 都使用实例统计量。如果 track_running_stats 设置为 True，则在训练模式下会更新运行统计量，这些统计量在评估模式下用于归一化。
与 LayerNorm 的区别：虽然 InstanceNorm2d 和 LayerNorm 非常相似，但 InstanceNorm2d 是在每个通道上独立应用的，适用于如 RGB 图像等通道化数据，而 LayerNorm 通常应用于整个样本，并且常用于 NLP 任务。

示例代码

下面是一个使用 InstanceNorm2d 的示例代码：

import torch
import torch.nn as nn

# 不带可学习参数的 InstanceNorm2d
m = nn.InstanceNorm2d(100)

# 带有可学习参数的 InstanceNorm2d
m_affine = nn.InstanceNorm2d(100, affine=True)

# 创建输入张量
input_tensor = torch.randn(20, 100, 35, 45)

# 应用 InstanceNorm2d
output = m(input_tensor)

print("Output:", output)

nn.InstanceNorm3d

InstanceNorm3d 函数简介

用途：InstanceNorm3d 主要用于对五维输入（如小批量的三维输入，具有额外的通道维度）应用实例归一化。这在处理三维数据，如医学成像或3D模型时特别有用，因为它按照每个样本和每个通道分别计算归一化统计。

参数详解

num_features（int）：输入中的特征或通道数 C。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。默认为 0.1。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 False。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，总是使用批量统计量。默认为 False。

使用技巧与注意事项

训练和评估模式：默认情况下，无论是在训练还是评估模式，InstanceNorm3d 都使用实例统计量。如果 track_running_stats 设置为 True，则在训练模式下会更新运行统计量，这些统计量在评估模式下用于归一化。
与 LayerNorm 的区别：虽然 InstanceNorm3d 和 LayerNorm 非常相似，但 InstanceNorm3d 是在每个通道上独立应用的，适用于如3D模型等通道化数据，而 LayerNorm 通常应用于整个样本，并且常用于 NLP 任务。

示例代码

下面是一个使用 InstanceNorm3d 的示例代码：

import torch
import torch.nn as nn

# 不带可学习参数的 InstanceNorm3d
m = nn.InstanceNorm3d(100)

# 带有可学习参数的 InstanceNorm3d
m_affine = nn.InstanceNorm3d(100, affine=True)

# 创建输入张量
input_tensor = torch.randn(20, 100, 35, 45, 10)

# 应用 InstanceNorm3d
output = m(input_tensor)

print("Output:", output)

nn.LazyInstanceNorm1d

LazyInstanceNorm1d 函数简介

用途：LazyInstanceNorm1d 是 InstanceNorm1d 的懒初始化版本。它允许您在模型构建时推迟指定输入特征（通道数）的数量，这在处理动态或未知大小的输入时特别有用。

函数工作原理

懒初始化：在接收到第一个输入数据时，LazyInstanceNorm1d 自动推断 num_features（特征或通道数）的大小。在此之前，权重（weight）、偏差（bias）、运行均值（running_mean）和运行方差（running_var）等属性保持未初始化状态。

参数详解

eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。默认为 0.1。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 False。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，总是使用批量统计量。默认为 False。

使用技巧与注意事项

懒初始化的限制：懒初始化模块在模型的序列化和复制过程中可能有一些限制。建议在模型的最终版本中使用具体的 InstanceNorm1d 模块，而不是懒初始化版本。
适用场景：在模型构建时，如果输入特征的数量未知或可能发生变化，使用 LazyInstanceNorm1d 可以提供更大的灵活性。

示例代码

下面是一个使用 LazyInstanceNorm1d 的示例代码：

import torch
import torch.nn as nn

# 创建 LazyInstanceNorm1d 层
m = nn.LazyInstanceNorm1d()

# 创建输入张量（特征数量未指定）
input_tensor = torch.randn(20, 100, 40)

# 应用 LazyInstanceNorm1d
output = m(input_tensor)

print("Output:", output)

?在这个示例中，LazyInstanceNorm1d 在接收到输入张量后自动推断特征数量，并初始化相关的参数。

nn.LazyInstanceNorm2d

LazyInstanceNorm2d 函数简介

用途：LazyInstanceNorm2d 是 InstanceNorm2d 的懒初始化版本。它在模型构建时允许您推迟指定输入特征（即通道数）的数量，这在处理动态或未知大小的输入时特别有用。

函数工作原理

懒初始化：在接收到第一个输入数据时，LazyInstanceNorm2d 自动推断 num_features（特征或通道数）的大小。在此之前，权重（weight）、偏差（bias）、运行均值（running_mean）和运行方差（running_var）等属性保持未初始化状态。

参数详解

eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。默认为 0.1。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 False。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，总是使用批量统计量。默认为 False。

使用技巧与注意事项

懒初始化的限制：懒初始化模块在模型的序列化和复制过程中可能有一些限制。建议在模型的最终版本中使用具体的 InstanceNorm2d 模块，而不是懒初始化版本。
适用场景：在模型构建时，如果输入通道数未知或可能发生变化，使用 LazyInstanceNorm2d 可以提供更大的灵活性。

示例代码

下面是一个使用 LazyInstanceNorm2d 的示例代码：

import torch
import torch.nn as nn

# 创建 LazyInstanceNorm2d 层
m = nn.LazyInstanceNorm2d()

# 创建输入张量（通道数量未指定）
input_tensor = torch.randn(20, 100, 35, 45)

# 应用 LazyInstanceNorm2d
output = m(input_tensor)

print("Output:", output)

?在这个示例中，LazyInstanceNorm2d 在接收到输入张量后自动推断通道数量，并初始化相关的参数。

nn.LazyInstanceNorm3d

LazyInstanceNorm3d 函数简介

用途：LazyInstanceNorm3d 是 InstanceNorm3d 的懒初始化版本。它在模型构建时允许您推迟指定输入特征（即通道数）的数量，这在处理动态或未知大小的输入时特别有用。

函数工作原理

懒初始化：在接收到第一个输入数据时，LazyInstanceNorm3d 自动推断 num_features（特征或通道数）的大小。在此之前，权重（weight）、偏差（bias）、运行均值（running_mean）和运行方差（running_var）等属性保持未初始化状态。

参数详解

eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
momentum（float）：用于运行均值和方差计算的值。默认为 0.1。
affine（bool）：若设置为 True，则此模块具有可学习的仿射参数。默认为 False。
track_running_stats（bool）：若设置为 True，则此模块跟踪运行均值和方差；若为 False，则不跟踪，总是使用批量统计量。默认为 False。

使用技巧与注意事项

懒初始化的限制：懒初始化模块在模型的序列化和复制过程中可能有一些限制。建议在模型的最终版本中使用具体的 InstanceNorm3d 模块，而不是懒初始化版本。
适用场景：在模型构建时，如果输入通道数未知或可能发生变化，使用 LazyInstanceNorm3d 可以提供更大的灵活性。

示例代码

下面是一个使用 LazyInstanceNorm3d 的示例代码：

import torch
import torch.nn as nn

# 创建 LazyInstanceNorm3d 层
m = nn.LazyInstanceNorm3d()

# 创建输入张量（通道数量未指定）
input_tensor = torch.randn(20, 100, 30, 40, 50)

# 应用 LazyInstanceNorm3d
output = m(input_tensor)

print("Output:", output)

在这个示例中，LazyInstanceNorm3d 在接收到输入张量后自动推断通道数量，并初始化相关的参数。

nn.LayerNorm

LayerNorm 函数简介

用途：LayerNorm 主要用于对小批量输入数据应用层归一化，这在自然语言处理（NLP）和某些图像处理任务中非常有用。它在输入的最后几个维度上计算归一化统计。

参数详解

normalized_shape（int 或 list 或 torch.Size）：期望输入的形状。如果使用单个整数，则视为单元素列表，此模块将在最后一个维度上进行归一化。
eps（float）：用于数值稳定性的分母小值。默认为 1e-5。
elementwise_affine（bool）：若设置为 True，则此模块具有逐元素可学习的仿射参数。默认为 True。
bias（bool）：如果设置为 False，则不会学习加性偏置（仅在 elementwise_affine 为 True 时相关）。默认为 True。

使用技巧与注意事项

与 BatchNorm 和 InstanceNorm 的区别：不同于批量归一化和实例归一化，它们对每个通道/平面应用标量缩放和偏置，LayerNorm 对每个元素应用缩放和偏置。
适用场景：LayerNorm 通常用于处理具有固定特征维度的输入，例如自然语言处理中的嵌入层或图像处理中的特定通道。

示例代码

下面是一些使用 LayerNorm 的示例代码：

NLP 示例

import torch
import torch.nn as nn

batch, sentence_length, embedding_dim = 20, 5, 10
embedding = torch.randn(batch, sentence_length, embedding_dim)
layer_norm = nn.LayerNorm(embedding_dim)

# 激活模块
layer_norm_output = layer_norm(embedding)

?图像示例

N, C, H, W = 20, 5, 10, 10
input_tensor = torch.randn(N, C, H, W)

# 在通道和空间维度上归一化
layer_norm = nn.LayerNorm([C, H, W])
output = layer_norm(input_tensor)

nn.LocalResponseNorm

LocalResponseNorm 函数简介

用途：LocalResponseNorm 应用于由多个输入平面组成的输入信号上，主要用于跨通道（占第二维度）进行归一化。这种归一化在早期卷积神经网络中常见，用于增强模型的泛化能力。

函数工作原理

定义：LRN 对每个元素应用局部归一化：

?其中 a_c 是输入在通道 c 上的值，n 是归一化窗口大小，N 是通道总数，k、 $\alpha$ 和 $\beta$ 是超参数。

参数详解

size（int）：用于归一化的邻近通道数。
alpha（float）：乘性因子。默认为 0.0001。
beta（float）：指数。默认为 0.75。
k（float）：加性因子。默认为 1。

使用技巧与注意事项

应用场景：虽然LRN在现代深度学习模型中使用较少，但它仍在某些特定的架构或任务中有其独特作用。
与 BatchNorm 的区别：与批量归一化（Batch Normalization）不同，LRN 主要关注局部输入区域的归一化，而不是整个小批量的统计。

示例代码

下面是使用 LocalResponseNorm 的示例代码：

import torch
import torch.nn as nn

# 创建 LocalResponseNorm 层
lrn = nn.LocalResponseNorm(2)

# 创建二维和四维信号
signal_2d = torch.randn(32, 5, 24, 24)
signal_4d = torch.randn(16, 5, 7, 7, 7, 7)

# 应用 LocalResponseNorm
output_2d = lrn(signal_2d)
output_4d = lrn(signal_4d)

总结

这篇博客详细解释了 PyTorch 中 torch.nn 子模块下的多种归一化层，包括 BatchNorm (1d, 2d, 3d)、LazyBatchNorm (1d, 2d, 3d)、GroupNorm、SyncBatchNorm、InstanceNorm (1d, 2d, 3d)、LayerNorm 和 LocalResponseNorm。每种归一化层的功能、工作原理、参数详解以及使用技巧都进行了全面的阐述。此外，还提供了每种归一化层的示例代码，帮助理解它们在实际应用中的使用方式。

文章来源:https://blog.csdn.net/qq_42452134/article/details/135386646
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：chenni525@qq.com进行投诉反馈，一经查实，立即删除！