mindspore.mint.nn.GroupNorm

class mindspore.mint.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, dtype=None)

对mini-batch输入进行组归一化。

Group Normalization被广泛用于递归神经网络中。适用单个训练用例的mini-batch输入归一化，详见论文 Group Normalization 。

Group Normalization把通道划分为组，然后计算每一组之内的均值和方差，以进行归一化。其中 \(\gamma\) 是通过训练学习出的scale值，\(\beta\) 是通过训练学习出的shift值。

公式如下，

\[y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta\]

其中， \(\gamma\) 为 weight， \(\beta\) 为 bias， \(\epsilon\) 为 eps。

参数：

• num_groups (int) - 沿通道维度待划分的组数。

• num_channels (int) - 输入的通道数。

• eps (float, 可选) - 添加到分母中的值，以确保数值稳定。默认 1e-05 。

• affine (bool, 可选) - 当被设置为 True 时，参数 \(\gamma\) 和 \(\beta\) 是可学习的。默认 True 。

• dtype (mindspore.dtype, 可选) - 参数的数据类型。默认 None 。

输入：

• input (Tensor) - \((N, C, *)\)，其中 \(*\) 任意数量的附加维度。

输出：

• output (Tensor) - 被标准化和缩放偏移后的tensor，具有与 input 相同的shape和数据类型。

异常：

• ValueError - num_groups 或 num_channels 小于1，或 num_channels 未被 num_groups 整除。

支持平台：

Ascend

样例：

>>> import mindspore
>>> import numpy as np
>>> group_norm_op = mindspore.mint.nn.GroupNorm(2, 2)
>>> x = mindspore.tensor(np.ones([1, 2, 4, 4], np.float32))
>>> output = group_norm_op(x)
>>> print(output)
[[[[0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]]
  [[0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]
   [0. 0. 0. 0.]]]]