lrn

  • paddle.fluid.layers.lrn(input, n=5, k=1.0, alpha=0.0001, beta=0.75, name=None)[源代码]

该OP实现了局部响应正则化层(Local Response Normalization Layer),用于对局部输入区域正则化,执行一种侧向抑制(lateral inhibition)。更多详情参考: ImageNet Classification with Deep Convolutional Neural Networks

其中 input 是mini-batch的输入特征。计算过程如下:

lrn - 图1

  • 在以上公式中:
    • lrn - 图2 :累加的通道数
    • lrn - 图3 :位移
    • lrn - 图4 : 缩放参数
    • lrn - 图5 : 指数参数
  • 参数:
    • input (Variable)- 输入特征,维度为[N,C,H,W]的4D-Tensor,其中N为batch大小,C为输入通道数,H为特征高度,W为特征宽度。必须包含4个维度,否则会抛出 ValueError 的异常。数据类型为float32。
    • n (int,可选) - 累加的通道数,默认值为5。
    • k (float,可选)- 位移,正数。默认值为1.0。
    • alpha (float,可选)- 缩放参数,正数。默认值为1e-4。
    • beta (float,可选)- 指数,正数。默认值为0.75。
    • name (None|str) – 该参数供开发人员打印调试信息时使用,具体用法请参见 Name ,默认值为None。

返回:局部响应正则化得到的输出特征,数据类型及维度和input相同。

返回类型:Variable

代码示例

  1. import paddle.fluid as fluid
  2. data = fluid.layers.data(
  3. name="data", shape=[3, 112, 112], dtype="float32")
  4. lrn = fluid.layers.lrn(input=data)
  5. print(lrn.shape) # [-1, 3, 112, 112]
  6. print(lrn.dtype) # float32