BatchNorm1D

paddle.nn.BatchNorm1D(num_features, momentum=0.9, epsilon=1e-05, weight_attr=None, bias_attr=None, data_format='NCL', name=None):

该接口用于构建 BatchNorm1D 类的一个可调用对象，具体用法参照 代码示例 。可以处理2D或者3D的Tensor, 实现了批归一化层（Batch Normalization Layer）的功能，可用作卷积和全连接操作的批归一化函数，根据当前批次数据按通道计算的均值和方差进行归一化。更多详情请参考 : Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

当训练时

和

是minibatch的统计数据。计算公式如下：

• 

  : 批输入数据

• 

  : 当前批次数据的大小

当预测时，track_running_stats = True

和

是全局（或运行）统计数据（moving_mean和moving_variance），通常来自预先训练好的模型。计算公式如下：

moving_mean\=moving_mean∗momentum+μβ∗(1.−momentum)moving_variance\=moving_variance∗momentum+σ2β∗(1.−momentum)//globalmean//globalvariancemoving_mean\=moving_mean∗momentum+μβ∗(1.−momentum)//globalmeanmoving_variance\=moving_variance∗momentum+σβ2∗(1.−momentum)//globalvariance

归一化函数公式如下：

xi^yi←xi−μβσ2β+ϵ‾‾‾‾‾‾√←γxi^+β//normalize//scale−and−shiftxi^←xi−μβσβ2+ϵ//normalizeyi←γxi^+β//scale−and−shift

• ϵϵ : 添加较小的值到方差中以防止除零

• γγ : 可训练的比例参数

• ββ : 可训练的偏差参数

参数：

• num_features (int) - 指明输入 Tensor 的通道数量。

• epsilon (float, 可选) - 为了数值稳定加在分母上的值。默认值：1e-05。

• momentum (float, 可选) - 此值用于计算 moving_mean 和 moving_var 。默认值：0.9。更新公式如上所示。

• weight_attr (ParamAttr|bool, 可选) - 指定权重参数属性的对象。如果为False, 则表示每个通道的伸缩固定为1，不可改变。默认值为None，表示使用默认的权重参数属性。具体用法请参见 cn_api_ParamAttr 。

• bias_attr (ParamAttr, 可选) - 指定偏置参数属性的对象。如果为False, 则表示每一个通道的偏移固定为0，不可改变。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 cn_api_ParamAttr 。

• data_format (string, 可选) - 指定输入数据格式，数据格式可以为“NC”或者”NCL”。默认值：“NCL”。

• name (string, 可选) – BatchNorm的名称, 默认值为None。更多信息请参见 Name 。

返回：无

形状：

• input: 形状为（批大小，通道数）的2-D Tensor 或（批大小, 通道数，长度）的3-D Tensor。

• output: 和输入形状一样。

目前训练时设置track_running_stats为False是无效的，实际还是会按照True的方案保存全局均值和方差。之后的版本会修复此问题。

代码示例

import paddle
import numpy as np
np.random.seed(123)
x_data = np.random.random(size=(2, 1, 3)).astype('float32')
x = paddle.to_tensor(x_data)
batch_norm = paddle.nn.BatchNorm1D(1)
batch_norm_out = batch_norm(x)
print(batch_norm_out)