pytorch 对特征进行mean_pytorch常用normalization函数
参考:https://blog.csdn.net/liuxiao214/article/details/81037416
归一化层,目前主要有这几个方法,Batch Normalization(2015年)、Layer Normalization(2016年)、Instance Normalization(2017年)、Group Normalization(2018年)、Switchable Normalization(2019年);
将输入的图像shape记为[N, C, H, W],这几个方法主要的区别就是在,
batchNorm是在batch上,对NHW做归一化,对小batchsize效果不好;
layerNorm在通道方向上,对CHW归一化,主要对RNN作用明显;
instanceNorm在图像像素上,对HW做归一化,用在风格化迁移;
GroupNorm将channel分组,然后再做归一化;
SwitchableNorm是将BN、LN、IN结合,赋予权重,让网络自己去学习归一化层应该使用什么方法。
1.BN
batchNorm是在batch上,对NHW做归一化;即是将同一个batch中的所有样本的同一层特征图抽出来一起求mean和variance
加快收敛速度,允许网络使用更高的学习率。可作为一个正则化器,减少对dropout的需求
但是当batch size较小时(小于16时),效果会变差,这时使用group norm可能得到的效果会更好
class torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True)
对小批量(mini-batch)3d数据组成的4d输入进行批标准化(Batch Normalization)操作
先对输入进行归一化,E(x)为计算的均值,Var(x)为计算的方差
然后对归一化的结果进行缩放和平移,设置affine=True,即意味着weight(γ)和bias(β)将被使用
在每一个小批量(mini-batch)数据中,计算输入各个维度的均值和标准差。γ与β是可学习的大小为C的参数向量(C为输入大小)。默认γ取值为U(0,1),β设置为0
同样,默认情况下,在训练期间,该层将运行其计算的平均值和方差的估计值,然后在验证期间使用这些估计值(即训练求得的均值/方差)进行标准化。运行估计(running statistics)时保持默认momentum为0.1。
如果track_running_stats被设置为False,那么这个层就不会继续运行验证,并且在验证期间也会使用批处理统计信息。
⚠️这个momentum参数不同于优化器optimizer类中使用的momentum参数和momentum的传统概念。从数学上讲,这里运行统计数据的更新规则是 :
x是估计的数据
xt是新的观察到的数据
xnew = (1-momentum) * x + momentum * xt
因为批处理规范化是在C维(channel通道维度)上完成的,计算(N,H,W)片上的统计信息,所以通常将其称为空间批处理规范化。
参数:
num_features:C来自期待的输入大小(N,C,H,W)
eps:即上面式子中分母的ε ,为保证数值稳定性(分母不能趋近或取0),给分母加上的值。默认为1e-5。
momentum:动态均值和动态方差所使用的动量。默认为0.1。
affine:一个布尔值,当设为true,给该层添加可学习的仿射变换参数,即γ与β。
track_running_stats:一个布尔值,当设置为True时,该模块跟踪运行的平均值和方差,当设置为False时,该模块不跟踪此类统计数据,并且始终在train和eval模式中使用批处理统计数据。默认值:True
Shape:
输入:(N, C,H, W)
输出:(N, C, H, W)(输入输出相同)
举例:
当affine=True时
import torch
fromtorch import nn
m = nn.BatchNorm2d(2,affine=True)
print(m.weight)
print(m.bias)
input = torch.randn(1,2,3,4)
print(input)
output =m(input)
print(output)
print(output.size())
返回:
Parameter containing:
tensor([0.5247, 0.4397], requires_grad=True)
Parameter containing:
tensor([0., 0.], requires_grad=True)
tensor([[[[ 0.8316, -1.6250, 0.9072, 0.2746],
[ 0.4579, -0.2228, 0.4685, 1.2020],
[ 0.8648, -1.2116, 1.0224, 0.7295]],
[[ 0.4387, -0.8889, -0.8999, -0.2775],
[ 2.4837, -0.4111, -0.6032, -2.3912],
[ 0.5622, -0.0770, -0.0107, -0.6245]]]])
tensor([[[[ 0.3205, -1.1840, 0.3668, -0.0206],
[ 0.0916, -0.3252, 0.0982, 0.5474],
[ 0.3409, -0.9308, 0.4373, 0.2580]],
[[ 0.2664, -0.2666, -0.2710, -0.0211],
[ 1.0874, -0.0747, -0.1518, -0.8697],
[ 0.3160, 0.0594, 0.0860, -0.1604]]]],
grad_fn=)
torch.Size([1, 2, 3, 4])
当affine=False时
import torch
fromtorch import nn
m = nn.BatchNorm2d(2,affine=False)
print(m.weight)
print(m.bias)
input = torch.randn(1,2,3,4)
print(input)
output =m(input)
print(output)
print(output.size())
返回:
None
None
tensor([[[[-1.5365, 0.2642, 1.0482, 2.0938],
[-0.0906, 1.8446, 0.7762, 1.2987],
[-2.4138, -0.5368, -1.2173, 0.2574]],
[[ 0.2518, -1.9633, -0.0487, -0.0317],
[-0.9511, 0.2488, 0.3887, 1.4182],
[-0.1422, 0.4096, 1.4740, 0.5241]]]])
tensor([[[[-1.2739, 0.0870, 0.6795, 1.4698],
[-0.1811, 1.2814, 0.4740, 0.8689],
[-1.9368, -0.5183, -1.0326, 0.0819]],
[[ 0.1353, -2.3571, -0.2028, -0.1837],
[-1.2182, 0.1320, 0.2894, 1.4478],
[-0.3080, 0.3129, 1.5106, 0.4417]]]])
torch.Size([1, 2, 3, 4])
2.InstanceNorm2d(当mini-batch时使用)
instanceNorm在图像像素上,对HW做归一化;即是对batch中的单个样本的每一层特征图抽出来一层层求mean和variance,与batch size无关。若特征层为1,即C=1,准则instance norm的值为输入本身
CLASS torch.nn.InstanceNorm2d(num_features, eps=1e-05, momentum=0.1, affine=False, track_running_stats=False)
在4D输入上应用instance Normalization(带有额外channel维度的mini-batch 2D输入),即shape为[N,C,H,W]
在mini-batch中的对象的均值和标准差是每个维度分开计算的。如果affine=True,则γ和β这两个可学习的参数向量,大小为C,C为输入大小。
这一层使用从训练和评估模式的输入数据计算得到的instace数据。
如果track_running_stats被设置为True,那么在训练期间,该层将继续运行计算均值和方差的估计,得到的均值和方差将使用到评估(eval)时的normalization中。运行估计时保持默认momentum为0.1。
⚠️这个momentum参数不同于优化器optimizer类中使用的momentum参数和momentum的传统概念。从数学上讲,这里运行统计数据的更新规则是 :
x是估计的数据
xt是新的观察到的数据
xnew = (1-momentum) * x + momentum * xt
⚠️
InstanceNorm2d和LayerNorm非常相似,但是有一些细微的差别。InstanceNorm2d应用于RGB图像等信道数据的每个信道,而LayerNorm通常应用于整个样本,并且通常用于NLP任务。此外,LayerNorm应用元素仿射变换,而InstanceNorm2d通常不应用仿射变换。
参数:
num_features:C来自期待的输入大小(N,C,H,W)
eps:即上面式子中分母的ε ,为保证数值稳定性(分母不能趋近或取0),给分母加上的值。默认为1e-5。
momentum:动态均值和动态方差所使用的动量。默认为0.1。
affine:一个布尔值,当设为true,给该层添加可学习的仿射变换参数,即γ与β。
track_running_stats:一个布尔值,当设置为True时,该模块跟踪运行的平均值和方差,当设置为False时,该模块不跟踪此类统计数据,并且始终在train和eval模式中使用批处理统计数据。默认值:False
Shape:
输入:(N, C,H, W)
输出:(N, C, H, W)(输入输出相同)
举例:
import torch
input= torch.randn(2,3,2,2)
input
返回:
tensor([[[[-0.9262, 0.1619],
[2.3522, 1.2739]],
[[-2.1725, 1.3967],
[1.4407, 1.3133]],
[[-0.8386, -1.1728],
[-3.0443, -0.3651]]],
[[[0.9468, -0.9257],
[0.5376, 0.4858]],
[[1.1766, 0.4704],
[0.8294, -0.3892]],
[[0.2836, 0.5864],
[-0.3070, 0.3229]]]])
View Code
import torch.nn asnn
#声明仿射变换要写成
#m= nn.InstanceNorm2d(3, affine=True)
m= nn.InstanceNorm2d(3)#feature数量,即channel number = 3output=m(input)
output
返回:
tensor([[[[-1.3413, -0.4523],
[1.3373, 0.4563]],
[[-1.7313, 0.5856],
[0.6141, 0.5315]],
[[0.5082, 0.1794],
[-1.6616, 0.9740]]],
[[[0.9683, -1.6761],
[0.3904, 0.3173]],
[[1.1246, -0.0883],
[0.5283, -1.5646]],
[[0.1903, 1.1173],
[-1.6182, 0.3106]]]])
View Code
3.LayerNorm(当mini-batch时使用)
layerNorm在通道方向上,对CHW归一化;即是将batch中的单个样本的每一层特征图抽出来一起求一个mean和variance,与batch size无关,不同通道有着相同的均值和方差
CLASS torch.nn.LayerNorm(normalized_shape, eps=1e-05, elementwise_affine=True)
平均值和标准偏差分别计算在最后几个维数上,这些维数必须是normalized_shape指定的形状。如果elementwise_affine=True,则γ和β为两个可学习的仿射变换参数向量,大小为normalized_shape
⚠️与batch normalization和instance normalization不同,batch normalization使用affine选项为每个通道/平面应用标量尺度γ和偏差β,而layer normalization使用elementwise_affine参数为每个元素应用尺度和偏差。
这一层使用从训练和评估模式的输入数据计算得到的统计数据。
参数:
normalized_shape(intorlistortorch.Size):来自期待输入大小的输入形状
如果使用单个整数,则将其视为一个单例列表,并且此模块将在最后一个维度上进行规范化,而最后一个维度应该具有特定的大小。
eps:即上面式子中分母的ε ,为保证数值稳定性(分母不能趋近或取0),给分母加上的值。默认为1e-5。
elementwise_affine:一个布尔值,当设置为True时,此模块具有可学习的元素仿射参数,γ初始化为1(表示权重)和β初始化为0(表示偏差)。默认值:True。
Shape:
输入:(N, *)
输出:(N, *)(输入输出相同)
举例:
import torch
input= torch.randn(2,3,2,2)
input
返回:
tensor([[[[-0.9262, 0.1619],
[2.3522, 1.2739]],
[[-2.1725, 1.3967],
[1.4407, 1.3133]],
[[-0.8386, -1.1728],
[-3.0443, -0.3651]]],
[[[0.9468, -0.9257],
[0.5376, 0.4858]],
[[1.1766, 0.4704],
[0.8294, -0.3892]],
[[0.2836, 0.5864],
[-0.3070, 0.3229]]]])
View Code
import torch.nn asnn
#取消仿射变换要写成
#m= nn.LayerNorm(input.size()[1:], elementwise_affine=False)
m1= nn.LayerNorm(input.size()[1:])#input.size()[1:]为torch.Size([3, 2, 2])
output1=m1(input)
output1
返回:
tensor([[[[-0.5555, 0.1331],
[1.5192, 0.8368]],
[[-1.3442, 0.9146],
[0.9423, 0.8618]],
[[-0.5001, -0.7116],
[-1.8959, -0.2004]]],
[[[1.0599, -2.1829],
[0.3512, 0.2616]],
[[1.4578, 0.2348],
[0.8565, -1.2537]],
[[-0.0887, 0.4357],
[-1.1115, -0.0206]]]], grad_fn=)
View Code
#只normalize后两个维度
m2= nn.LayerNorm([2,2])
output2=m2(input)
output2
返回:
tensor([[[[-1.3413, -0.4523],
[1.3373, 0.4563]],
[[-1.7313, 0.5856],
[0.6141, 0.5315]],
[[0.5082, 0.1794],
[-1.6616, 0.9740]]],
[[[0.9683, -1.6761],
[0.3904, 0.3173]],
[[1.1246, -0.0883],
[0.5283, -1.5646]],
[[0.1903, 1.1173],
[-1.6182, 0.3106]]]], grad_fn=)
View Code
#只normalize最后一个维度
m3= nn.LayerNorm(2)
output3=m3(input)
output3
返回:
tensor([[[[-1.0000, 1.0000],
[1.0000, -1.0000]],
[[-1.0000, 1.0000],
[0.9988, -0.9988]],
[[0.9998, -0.9998],
[-1.0000, 1.0000]]],
[[[1.0000, -1.0000],
[0.9926, -0.9926]],
[[1.0000, -1.0000],
[1.0000, -1.0000]],
[[-0.9998, 0.9998],
[-0.9999, 0.9999]]]], grad_fn=)
View Code
4.GroupNorm(当mini-batch时使用)
GroupNorm将channel分组;即是将batch中的单个样本的G层特征图抽出来一起求mean和variance,与batch size无关
当batch size较小时(小于16时),使用该normalization方法效果更好
CLASS torch.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True)
输入通道被分成num_groups组,每个组包含num_channels / num_groups个通道。每组的均值和标准差分开计算。如果affine=True,则γ和β这两个可学习的通道仿射变换参数向量的大小为num_channels。
这一层使用从训练和评估模式的输入数据计算得到的统计数据。
参数:
num_features(int):将通道分成的组的数量
num_channels(int):输入期待的通道数
eps:即上面式子中分母的ε ,为保证数值稳定性(分母不能趋近或取0),给分母加上的值。默认为1e-5。
affine:一个布尔值,当设为true,给该层添加可学习的仿射变换参数,即γ与β。
Shape:
输入:(N, C,*) ,C = num_channels
输出:(N, C, *)(输入输出相同)
举例:
import torch
input= torch.randn(2,4,3,3)
input
返回:
tensor([[[[-0.9154, 0.7312, 1.0657],
[0.1783, 1.4014, 1.3043],
[-0.7661, -0.6346, 0.7620]],
[[0.9533, 2.1763, 0.4636],
[0.0624, -0.0880, 1.2591],
[0.5080, 0.2156, 0.0312]],
[[0.2077, -0.2373, 0.2203],
[-0.0628, -0.4680, -0.0094],
[0.8615, 0.8549, 0.4138]],
[[1.2188, -0.6487, 1.9315],
[-1.0211, -0.1721, 0.6426],
[-0.8192, 1.1049, 0.3663]]],
[[[1.7522, -0.5378, -0.6105],
[0.0658, -0.5731, 0.8737],
[-0.2006, 0.3185, 0.6959]],
[[0.5581, -1.5815, 0.3467],
[-1.7975, 1.1900, -0.0935],
[-0.7640, -0.7520, -1.2672]],
[[-0.3703, 1.8731, -0.4689],
[0.3615, 1.7101, 0.7305],
[-0.0244, -0.5019, 0.3259]],
[[-0.1413, -0.7416, -0.0747],
[-0.6557, 0.5025, -0.0574],
[0.2727, 2.2837, 1.6237]]]])
View Code
import torch.nn asnn
#将4个通道分为2组
m1= nn.GroupNorm(2,4)
output1=m1(input)
output1
返回:
tensor([[[[-1.7640, 0.3119, 0.7336],
[-0.3852, 1.1568, 1.0344],
[-1.5757, -1.4099, 0.3508]],
[[0.5919, 2.1338, -0.0254],
[-0.5312, -0.7208, 0.9774],
[0.0305, -0.3381, -0.5706]],
[[-0.0478, -0.6420, -0.0310],
[-0.4090, -0.9500, -0.3377],
[0.8251, 0.8163, 0.2273]],
[[1.3022, -1.1914, 2.2539],
[-1.6886, -0.5550, 0.5328],
[-1.4190, 1.1501, 0.1639]]],
[[[2.0315, -0.4375, -0.5158],
[0.2133, -0.4755, 1.0844],
[-0.0739, 0.4858, 0.8927]],
[[0.7441, -1.5628, 0.5162],
[-1.7956, 1.4254, 0.0415],
[-0.6814, -0.6685, -1.2239]],
[[-0.8227, 1.6729, -0.9325],
[-0.0087, 1.4915, 0.4018],
[-0.4380, -0.9692, -0.0482]],
[[-0.5680, -1.2358, -0.4939],
[-1.1402, 0.1482, -0.4747],
[-0.1075, 2.1296, 1.3954]]]], grad_fn=)
View Code
#将4个通道分为4组,等价于Instance Norm
m2= nn.GroupNorm(4,4)
output2=m2(input)
output2
返回:
tensor([[[[-1.4648, 0.4451, 0.8332],
[-0.1962, 1.2226, 1.1099],
[-1.2916, -1.1390, 0.4809]],
[[0.4819, 2.2510, -0.2265],
[-0.8068, -1.0243, 0.9242],
[-0.1623, -0.5852, -0.8520]],
[[0.0230, -1.0124, 0.0523],
[-0.6064, -1.5490, -0.4821],
[1.5439, 1.5284, 0.5023]],
[[0.9624, -0.9711, 1.7004],
[-1.3567, -0.4777, 0.3659],
[-1.1476, 0.8445, 0.0798]]],
[[[2.0642, -0.9777, -1.0742],
[-0.1760, -1.0246, 0.8973],
[-0.5298, 0.1598, 0.6611]],
[[1.0550, -1.1571, 0.8364],
[-1.3803, 1.7083, 0.3813],
[-0.3119, -0.2995, -0.8321]],
[[-0.9221, 1.7498, -1.0396],
[-0.0506, 1.5556, 0.3889],
[-0.5102, -1.0789, -0.0929]],
[[-0.4993, -1.1290, -0.4294],
[-1.0388, 0.1761, -0.4113],
[-0.0650, 2.0445, 1.3521]]]], grad_fn=)
View Code
#将4个通道分为4组,等价于layer Norm
m3= nn.GroupNorm(4,4)
output3=m3(input)
output3
返回:
tensor([[[[-1.4648, 0.4451, 0.8332],
[-0.1962, 1.2226, 1.1099],
[-1.2916, -1.1390, 0.4809]],
[[0.4819, 2.2510, -0.2265],
[-0.8068, -1.0243, 0.9242],
[-0.1623, -0.5852, -0.8520]],
[[0.0230, -1.0124, 0.0523],
[-0.6064, -1.5490, -0.4821],
[1.5439, 1.5284, 0.5023]],
[[0.9624, -0.9711, 1.7004],
[-1.3567, -0.4777, 0.3659],
[-1.1476, 0.8445, 0.0798]]],
[[[2.0642, -0.9777, -1.0742],
[-0.1760, -1.0246, 0.8973],
[-0.5298, 0.1598, 0.6611]],
[[1.0550, -1.1571, 0.8364],
[-1.3803, 1.7083, 0.3813],
[-0.3119, -0.2995, -0.8321]],
[[-0.9221, 1.7498, -1.0396],
[-0.0506, 1.5556, 0.3889],
[-0.5102, -1.0789, -0.0929]],
[[-0.4993, -1.1290, -0.4294],
[-1.0388, 0.1761, -0.4113],
[-0.0650, 2.0445, 1.3521]]]], grad_fn=)
View Code
pix2pix代码中该部分的使用:
classIdentity(nn.Module):
def forward(self, x):returnx
def get_norm_layer(norm_type='instance'):"""返回标准化层
Parameters:
norm_type (str)-- 标准化层的名字,有: batch | instance |none
对于BatchNorm,我们使用可学习的仿射参数并追踪运行数据(mean/stddev)
对于InstanceNorm,我们不使用可学习的仿射参数也不追踪运行数据""" if norm_type == 'batch':
norm_layer= functools.partial(nn.BatchNorm2d, affine=True, track_running_stats=True)
elif norm_type== 'instance':
norm_layer= functools.partial(nn.InstanceNorm2d, affine=False, track_running_stats=False)
elif norm_type== 'none':
norm_layer=lambda x: Identity()else:
raise NotImplementedError('normalization layer [%s] is not found' %norm_type)return norm_layer
pytorch 对特征进行mean_pytorch常用normalization函数相关推荐
- pytorch 对特征进行mean_Pytorch的mean和std调查实例
如下所示: # coding: utf-8 from __future__ import print_function import copy import click import cv2 impo ...
- Batch Normalization函数详解及反向传播中的梯度求导
摘要 本文给出 Batch Normalization 函数的定义, 并求解其在反向传播中的梯度 相关 配套代码, 请参考文章 : Python和PyTorch对比实现批标准化Batch Normal ...
- python常用导入函数及其他操作备忘录
python常用导入函数及其他操作备忘录 python常用导入函数 解压缩zip并读取csv文件 查看缺失值 权重系数取绝对值后排序(查看特征权重重要度) python常用导入函数 from IPyt ...
- PyTorch框架学习十八——Layer Normalization、Instance Normalization、Group Normalization
PyTorch框架学习十八--Layer Normalization.Instance Normalization.Group Normalization 一.为什么要标准化? 二.BN.LN.IN. ...
- 可视化pytorch网络特征图
0. 背景 在目标检测任务中,我们会使用多尺度的特征图进行预测,背后的常识是:浅层特征图包含丰富的边缘信息有利于定位小目标,高层特征图中包含大量的语义信息有利于大目标的定位和识别.为了进一步了解特征图 ...
- Seaborn常用绘图函数-sjs
Seaborn常用绘图函数 介绍 主题风格 函数 参考 备注 介绍 seaborn是基于Matplotlib的Python数据可视化库.它提供了一个高级界面,用于绘制引人入胜且内容丰富的统计图形,在M ...
- jQuery中常用的函数方法总结
jQuery中为我们提供了很多有用的方法和属性,自己总结的一些常用的函数,方法.个人认为在www.21kaiyun.com的紫微斗数星座在线排盘开发中会比较常用的,仅供大家学习和参考. 事件处理 re ...
- copyTo函数、随机数产生器 RNG、轮廓的特征矩 Moment、cvGet2D函数
C++ byte 类型 在头文件 windows.h 中 OpenCV 中,IplImage 所在头文件为 #include<highgui/highgui_c.h> 文章目录 1.cop ...
- R语言广义线性模型函数GLM、广义线性模型(Generalized linear models)、GLM函数的语法形式、glm模型常用函数、常用连接函数、逻辑回归、泊松回归、系数解读、过散度分析
R语言广义线性模型函数GLM.广义线性模型(Generalized linear models).GLM函数的语法形式.glm模型常用函数.常用连接函数.逻辑回归.泊松回归.系数解读.过散度分析 目录
最新文章
- python分类器鸢尾花怎么写_python机器学习基础教程-鸢尾花分类
- DQL查询语句约束数据库设计备份和还原
- NLP分析技术的三个层面
- wampserver环境下,apache本地下设置多个域名
- android 语音通信,Android与PC间的语音通信
- AgileConfig 1.6.0 发布 - 支持服务注册与发现
- nginx 安装_安装Nginx的几种方式
- POJ-1149(网络流)
- 拓端tecdat|在Python中使用LSTM和PyTorch进行时间序列预测
- pycharm的编码问题
- Linux下修复U盘坏块,快速修复U盘坏块的方法
- 麻省理工18年春软件构造课程阅读08“可变性与不变性”
- OpenJudge NOI题库 入门 116题 (二)
- 计算机发展史评课议课稿,评课稿模板5篇
- 解决U盘传输文件过大的问题
- OpenCV彩色图像读取
- 分享一些Photoshop的教程电子档(pdf格式),初学者与设计师适用
- maven中实现代码单元测试覆盖率统计
- 电脑重启f12怎么处理_联想电脑开机按f12后,怎么设置默认启动项
- SQL执行报错The MySQL server is running with the read-only