mindspore.nn.GroupNorm

查看源文件
class mindspore.nn.GroupNorm(num_groups, num_channels, eps=1e-05, affine=True, gamma_init='ones', beta_init='zeros', dtype=mstype.float32)[源代码]

在mini-batch输入上进行组归一化。

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,

\[y = \frac{x - \mathrm{E}[x]}{\sqrt{\mathrm{Var}[x] + \epsilon}} * \gamma + \beta\]
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) - Bool类型,当设置为True时,给该层添加可学习的仿射变换参数,即gama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 ,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 ,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 \((N, C, H, W)\) 的特征输入。

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_groupsnum_channels 不是int。

  • TypeError - eps 不是float。

  • TypeError - affine 不是bool。

  • ValueError - num_groupsnum_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.]]]]