pytorch方法測(cè)試詳解——?dú)w一化(BatchNorm2d)
更新時(shí)間：2020年01月15日 15:54:34 作者：tmk_01
今天小編就為大家分享一篇pytorch方法測(cè)試詳解——?dú)w一化(BatchNorm2d)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧
測(cè)試代碼：
import torch
import torch.nn as nn
m = nn.BatchNorm2d(2,affine=True) #權(quán)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(quán)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(gè)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(huì)被使用
print(m.eps)
print("輸入的第一個(gè)維度平均值：")
print(firstDimenMean)
print("輸入的第一個(gè)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：
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(quán)重：
Parameter containing: tensor([ 0.5653, 0.0322])
歸一化的偏重：
Parameter containing: tensor([ 0., 0.])
歸一化的輸出：
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：
torch.Size([1, 2, 3, 4])
輸入的第一個(gè)維度：
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(gè)維度平均值：
tensor(0.1401)
輸入的第一個(gè)維度方差：
tensor(1.6730) tensor(-1.1237)
結(jié)論：
輸出的計(jì)算公式如下
注意torch中方差實(shí)現(xiàn)的方法是沒(méi)有使用Bessel's correction 貝塞爾校正的方差，所以在自己寫(xiě)的方差中不要用錯(cuò)了。（貝塞爾校正，即樣本方差和總體方差之間區(qū)別和校正。）
以上這篇pytorch方法測(cè)試詳解——?dú)w一化(BatchNorm2d)就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
對(duì)Python游戲有所了解的朋友都知道，在2D的游戲制作中，經(jīng)常會(huì)用到一個(gè)模塊pygame，他能幫助我們實(shí)現(xiàn)很多方便使用的功能,本文就來(lái)用pygame模塊制作代碼雨效果，需要的可以了解一下2023-05-05
這篇文章主要為大家詳細(xì)介紹了Windows下python3.6.4安裝教程，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2018-07-07
python dict remove數(shù)組刪除(del,pop)
我們?cè)谟脭?shù)組列表做刪除的時(shí)候，可能選擇2個(gè)方法，一個(gè)是del,一個(gè)是pop方法2013-03-03
這篇文章主要介紹了PyCharm 專(zhuān)業(yè)版安裝圖文教程，文中通過(guò)示例代碼介紹的非常詳細(xì)，對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2020-02-02
利用pandas進(jìn)行數(shù)據(jù)清洗的方法
本文主要介紹了利用pandas進(jìn)行數(shù)據(jù)清洗的方法，文中通過(guò)示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2021-09-09
Python中re正則匹配數(shù)據(jù)的實(shí)現(xiàn)
在Python中,可以使用re模塊來(lái)使用正則表達(dá)式,本文主要介紹了Python中re正則匹配數(shù)據(jù)的實(shí)現(xiàn),文中通過(guò)示例代碼介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值,需要的朋友們下面隨著小編來(lái)一起學(xué)習(xí)學(xué)習(xí)吧2024-04-04
這篇文章主要介紹了python選擇排序算法的實(shí)現(xiàn)代碼,大家參考2013-11-11
python飛機(jī)大戰(zhàn)pygame游戲背景設(shè)計(jì)詳解
這篇文章主要介紹了python飛機(jī)大戰(zhàn)pygame游戲背景設(shè)計(jì),結(jié)合實(shí)例形式詳細(xì)分析了Python使用pygame模塊設(shè)計(jì)游戲背景相關(guān)原理、流程與實(shí)現(xiàn)技巧,需要的朋友可以參考下2019-12-12
這篇文章主要介紹了Python深拷貝與淺拷貝用法,結(jié)合實(shí)例形式分析了Python對(duì)象的復(fù)制、深拷貝、淺拷貝等操作原理、用法及相關(guān)注意事項(xiàng),需要的朋友可以參考下2019-05-05
今天小編就為大家分享一篇Pycharm更換python解釋器的方法，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-10-10