torch.nn.BatchNorm1d()

1、BatchNorm1d(num_features, eps = 1e-05, momentum=0.1, affine=True)

對于2d或3d輸入進行BN。在訓練時，該層計算每次輸入的均值和方差，并進行平行移動。移動平均默認的動量為0.1。在驗證時，訓練求得的均值/方差將用于標準化驗證數據。

num_features:表示輸入的特征數。該期望輸入的大小為'batch_size x num_features [x width]'

Shape：?- 輸入：(N, C)或者(N, C, L) - 輸出：(N, C)或者(N，C，L)(輸入輸出相同)

2、BatchNorm2d(同上)

對3d數據組成的4d輸入進行BN。

num_features：?來自期望輸入的特征數，該期望輸入的大小為'batch_size x num_features x height x width'

Shape：?- 輸入：(N, C，H, W) - 輸出：(N, C, H, W)(輸入輸出相同)

3、BatchNorm3d(同上)

對4d數據組成的5d輸入進行BN。

以上這篇pytorch的batch normalize使用詳解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/qq_16305985/article/details/79102607

總結

以上是生活随笔為你收集整理的batchnomal_pytorch的batch normalize使用详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。