# 比较与tf.keras.layers.BatchNormalization的功能差异
## tf.keras.layers.BatchNormalization
```text
tf.keras.layers.BatchNormalization(
axis=-1,
momentum=0.99,
epsilon=0.001,
center=True,
scale=True,
beta_initializer='zeros',
gamma_initializer='ones',
moving_mean_initializer='zeros',
moving_variance_initializer='ones',
beta_regularizer=None,
gamma_regularizer=None,
beta_constraint=None,
gamma_constraint=None,
**kwargs
)(inputs, training) -> Tensor
```
更多内容详见[tf.keras.layers.BatchNormalization](https://tensorflow.google.cn/versions/r2.6/api_docs/python/tf/keras/layers/BatchNormalization)。
## mindspore.nn.BatchNorm2d
```text
class mindspore.nn.BatchNorm2d(
num_features,
eps=1e-5,
momentum=0.9,
affine=True,
gamma_init='ones',
beta_init='zeros',
moving_mean_init='zeros',
moving_var_init='ones',
use_batch_statistics=None,
data_format='NCHW'
)(x) -> Tensor
```
更多内容详见[mindspore.nn.BatchNorm2d](https://www.mindspore.cn/docs/zh-CN/r2.0.0-alpha/api_python/nn/mindspore.nn.BatchNorm2d.html)。
## 差异对比
TensorFlow：对输入的数据进行批归一化。
MindSpore：对输入的四维数据进行批归一化(Batch Normalization Layer)。在四维输入（具有额外通道维度的小批量二维输入）上应用批归一化处理，以避免内部协变量偏移。
| 参数 | 参数1 | axis | - | 应规范化的轴（通常是特征轴），MindSpore无此参数 |
| | 参数2 | momentum | momentum | - |
| | 参数3 | epsilon | eps | 功能一致，参数名不同 |
| | 参数4 | center | - | 如果为True，则将偏移量beta添加到归一化张量，如果为False，则忽略beta。MindSpore无此参数 |
| | 参数5 | scale | - | 如果为True，则乘以gamma，如果为False，则不使用gamma。MindSpore无此参数 |
| | 参数6 | beta_initializer | beta_init | 功能一致，参数名不同 |
| | 参数7 | gamma_initializer | gamma_init | 功能一致，参数名不同 |
| | 参数8 | moving_mean_initializer | moving_mean_init | 功能一致，参数名不同 |
| | 参数9 | moving_variance_initializer | moving_var_init | 功能一致，参数名不同 |
| | 参数10 | beta_regularizer | - | beta权重的可选正则器。MindSpore无此参数 |
| | 参数11 | gamma_regularizer | - | gamma权重的可选正则器。MindSpore无此参数 |
| | 参数12 | beta_constraint | - | beta权重的可选约束。MindSpore无此参数 |
| | 参数13 | gamma_constraint | - | gamma权重的可选约束。MindSpore无此参数 |
| | 参数14 | **kwargs | - | 不涉及 |
| | 参数15 | - | num_features | 通道数量，输入Tensor shape (N,C,H,W)中的C，TensorFlow无此参数 |
| | 参数16 | - | affine | bool类型，设置为True时，可学习 γ 和 β 值，默认值：True。TensorFlow无此参数 |
| | 参数17 | - | use_batch_statistics | 如果为True，则使用当前批处理数据的平均值和方差值，并跟踪运行平均值和运行方差。
如果为False，则使用指定值的平均值和方差值，不跟踪统计值。
如果为None，则根据训练和验证模式自动设置 use_batch_statistics 为True或False。在训练时，use_batch_statistics会 设置为True。在验证时，use_batch_statistics 会自动设置为False，默认值：None。TensorFlow无此参数 |
| | 参数18 | - | data_format | MindSpore可指定输入数据格式可为"NHWC"或"NCHW"，默认值："NCHW"。TensorFlow无此参数 |
| 输入 | 输入1 | inputs | x | 功能一致，参数名不同 |
| | 输入2 | training | - | 不涉及 |
### 代码示例
> 两API功能相同，使用方法相同。
```python
# TensorFlow
import tensorflow as tf
inputx = [[[[1, 2],
[2, 1]],
[[3, 4],
[4, 3]]],
[[[5, 6],
[6, 5]],
[[7, 8],
[8, 7]]]]
input_tf = tf.constant(inputx, dtype=tf.float32)
output_tf = tf.keras.layers.BatchNormalization(axis=3, momentum=0.1, epsilon=1e-5)
output = output_tf(input_tf, training=False)
print(output.numpy())
# [[[[0.999995 1.99999 ]
# [1.99999 0.999995 ]]
#
# [[2.999985 3.99998 ]
# [3.99998 2.999985 ]]]
#
#
# [[[4.999975 5.99997 ]
# [5.99997 4.999975 ]]
#
# [[6.9999647 7.99996 ]
# [7.99996 6.9999647]]]]
# MindSpore
from mindspore import Tensor, nn
import numpy as np
m = nn.BatchNorm2d(num_features=2, momentum=0.9)
input_ms = Tensor(np.array([[[[1, 2], [2, 1]],
[[3, 4], [4, 3]]],
[[[5, 6], [6, 5]],
[[7, 8], [8, 7]]]]).astype(np.float32))
output = m(input_ms)
print(output)
# [[[[0.99999493 1.9999899 ]
# [1.9999899 0.99999493]]
#
# [[2.9999847 3.9999797 ]
# [3.9999797 2.9999847 ]]]
#
#
# [[[4.9999747 5.9999695 ]
# [5.9999695 4.9999747 ]]
#
# [[6.9999647 7.9999595 ]
# [7.9999595 6.9999647 ]]]]
```