mindspore.nn.GroupNorm

class mindspore.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, gamma_init='ones', beta_init='zeros', dtype=mstype.float32)

在mini-batch输入上进行组归一化。

Group Normalization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 \(\gamma\) 是通过训练学习得到的scale值，\(\beta\) 是通过训练学习得到的shift值。

公式如下，

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

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) - 添加到分母中的值，以确保数值稳定。默认值： 1e-05 。

• affine (bool) - 指定是否需要添加仿射变换参数。当设置为True时，给该层添加可学习的仿射变换参数gamma与beta。默认值： True 。

• gamma_init (Union[Tensor, str, Initializer, numbers.Number]) - gamma参数的初始化方法。str的值引用自函数 mindspore.common.initializer.initializer() ，包括 'zeros' 、 'ones' 、 'xavier_uniform' 、 'he_uniform' 等。默认值： 'ones' 。如果gamma_init是Tensor，则shape必须为 \((num\_channels)\) 。

• beta_init (Union[Tensor, str, Initializer, numbers.Number]) - beta参数的初始化方法。str的值引用自函数 mindspore.common.initializer.initializer() ，包括 'zeros' 、 'ones' 、 'xavier_uniform' 、 'he_uniform' 等。默认值： 'zeros' 如果gamma_init是Tensor，则shape必须为 \((num\_channels)\) 。

• dtype (mindspore.dtype) - Parameters的dtype。默认值： mstype.float32 。

输入：

• x (Tensor) - shape为 \((N, C, *)\) 的特征输入，其中 \(*\) 表示任意的附加维度。

输出：

Tensor，标准化和缩放的偏移Tensor，具有与 x 相同的shape和数据类型。

异常：

• TypeError - num_groups 或 num_channels 不是int。

• TypeError - eps 不是float。

• TypeError - affine 不是bool。

• ValueError - num_groups 或 num_channels 小于1。

• ValueError - num_channels 未被 num_groups 整除。

支持平台：

Ascend GPU CPU

样例：

>>> import mindspore as ms
>>> import numpy as np
>>> group_norm_op = ms.nn.GroupNorm(2, 2)
>>> x = ms.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.]]]]