測試代碼：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
|
import torchimport torch.nn as nnm = nn.BatchNorm2d(2,affine=True) #權重w和偏重將被使用input = torch.randn(1,2,3,4)output = m(input)print("輸入圖片：")print(input)print("歸一化權重：")print(m.weight)print("歸一化的偏重：")print(m.bias)print("歸一化的輸出：")print(output)print("輸出的尺度：")print(output.size())# i = torch.randn(1,1,2)print("輸入的第一個維度：")print(input[0][0])firstDimenMean = torch.Tensor.mean(input[0][0])firstDimenVar= torch.Tensor.var(input[0][0],False) #Bessel's Correction貝塞爾校正不會被使用print(m.eps)print("輸入的第一個維度平均值：")print(firstDimenMean)print("輸入的第一個維度方差：")print(firstDimenVar)bacthnormone = \ ((input[0][0][0][0] - firstDimenMean)/(torch.pow(firstDimenVar+m.eps,0.5) ))\ * m.weight[0] + m.bias[0]print(bacthnormone) |
輸出為：
輸入圖片：
|
1
2
3
4
5
6
7
8
|
tensor([[[[-2.4308, -1.0281, -1.1322, 0.9819], [-0.4069, 0.7973, 1.6296, 1.6797], [ 0.2802, -0.8285, 2.0101, 0.1286]], [[-0.5740, 0.1970, -0.7209, -0.7231], [-0.1489, 0.4993, 0.4159, 1.4238], [ 0.0334, -0.6333, 0.1308, -0.2180]]]]) |
歸一化權重：
|
1
2
|
Parameter containing:tensor([ 0.5653, 0.0322]) |
歸一化的偏重：
|
1
2
|
Parameter containing:tensor([ 0., 0.]) |
歸一化的輸出：
|
1
2
3
4
5
6
7
8
|
tensor([[[[-1.1237, -0.5106, -0.5561, 0.3679], [-0.2391, 0.2873, 0.6510, 0.6729], [ 0.0612, -0.4233, 0.8173, -0.0050]], [[-0.0293, 0.0120, -0.0372, -0.0373], [-0.0066, 0.0282, 0.0237, 0.0777], [ 0.0032, -0.0325, 0.0084, -0.0103]]]]) |
輸出的尺度：
|
1
|
torch.Size([1, 2, 3, 4]) |
輸入的第一個維度：
|
1
2
3
4
|
tensor([[-2.4308, -1.0281, -1.1322, 0.9819], [-0.4069, 0.7973, 1.6296, 1.6797], [ 0.2802, -0.8285, 2.0101, 0.1286]])1e-05 |
輸入的第一個維度平均值：
|
1
|
tensor(0.1401) |
輸入的第一個維度方差：
|
1
2
|
tensor(1.6730)tensor(-1.1237) |
結論：
輸出的計算公式如下
注意torch中方差實現的方法是沒有使用Bessel's correction 貝塞爾校正的方差，所以在自己寫的方差中不要用錯了。（貝塞爾校正，即樣本方差和總體方差之間區別和校正。）
以上這篇pytorch方法測試詳解——歸一化(BatchNorm2d)就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持服務器之家。
原文鏈接：https://blog.csdn.net/tmk_01/article/details/80679549
