pytorch方法測(cè)試詳解——?dú)w一化(BatchNorm2d)
更新時(shí)間：2020年01月15日 15:54:34 作者：tmk_01
今天小編就為大家分享一篇pytorch方法測(cè)試詳解——?dú)w一化(BatchNorm2d)，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧
測(cè)試代碼：
import torch
import torch.nn as nn
m = nn.BatchNorm2d(2,affine=True) #權(quán)重w和偏重將被使用
input = torch.randn(1,2,3,4)
output = m(input)
print("輸入圖片：")
print(input)
print("歸一化權(quán)重：")
print(m.weight)
print("歸一化的偏重：")
print(m.bias)
print("歸一化的輸出：")
print(output)
print("輸出的尺度：")
print(output.size())
# i = torch.randn(1,1,2)
print("輸入的第一個(gè)維度：")
print(input[0][0])
firstDimenMean = torch.Tensor.mean(input[0][0])
firstDimenVar= torch.Tensor.var(input[0][0],False) #Bessel's Correction貝塞爾校正不會(huì)被使用
print(m.eps)
print("輸入的第一個(gè)維度平均值：")
print(firstDimenMean)
print("輸入的第一個(gè)維度方差：")
print(firstDimenVar)
bacthnormone = \
((input[0][0][0][0] - firstDimenMean)/(torch.pow(firstDimenVar+m.eps,0.5) ))\
* m.weight[0] + m.bias[0]
print(bacthnormone)
輸出為：
輸入圖片：
tensor([[[[-2.4308, -1.0281, -1.1322, 0.9819],
[-0.4069, 0.7973, 1.6296, 1.6797],
[ 0.2802, -0.8285, 2.0101, 0.1286]],
[[-0.5740, 0.1970, -0.7209, -0.7231],
[-0.1489, 0.4993, 0.4159, 1.4238],
[ 0.0334, -0.6333, 0.1308, -0.2180]]]])
歸一化權(quán)重：
Parameter containing: tensor([ 0.5653, 0.0322])
歸一化的偏重：
Parameter containing: tensor([ 0., 0.])
歸一化的輸出：
tensor([[[[-1.1237, -0.5106, -0.5561, 0.3679],
[-0.2391, 0.2873, 0.6510, 0.6729],
[ 0.0612, -0.4233, 0.8173, -0.0050]],
[[-0.0293, 0.0120, -0.0372, -0.0373],
[-0.0066, 0.0282, 0.0237, 0.0777],
[ 0.0032, -0.0325, 0.0084, -0.0103]]]])
輸出的尺度：
torch.Size([1, 2, 3, 4])
輸入的第一個(gè)維度：
tensor([[-2.4308, -1.0281, -1.1322, 0.9819],
[-0.4069, 0.7973, 1.6296, 1.6797],
[ 0.2802, -0.8285, 2.0101, 0.1286]])
1e-05
輸入的第一個(gè)維度平均值：
tensor(0.1401)
輸入的第一個(gè)維度方差：
tensor(1.6730) tensor(-1.1237)
結(jié)論：
輸出的計(jì)算公式如下
注意torch中方差實(shí)現(xiàn)的方法是沒有使用Bessel's correction 貝塞爾校正的方差，所以在自己寫的方差中不要用錯(cuò)了。（貝塞爾校正，即樣本方差和總體方差之間區(qū)別和校正。）
以上這篇pytorch方法測(cè)試詳解——?dú)w一化(BatchNorm2d)就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
Python多進(jìn)程并發(fā)與同步機(jī)制超詳細(xì)講解
進(jìn)程（Process），顧名思義，就是進(jìn)行中的程序。有一句話說得好：程序是一個(gè)沒有生命的實(shí)體，只有處理器賦予程序生命時(shí)，它才能成為一個(gè)活動(dòng)的實(shí)體。進(jìn)程是資源分配的最小單元，也就是說每個(gè)進(jìn)程都有其單獨(dú)的內(nèi)存空間2022-12-12
Python Flask請(qǐng)求擴(kuò)展與中間件相關(guān)知識(shí)總結(jié)
今天帶大家學(xué)習(xí)的是關(guān)于Python Flask的相關(guān)知識(shí),文章圍繞著Flask請(qǐng)求擴(kuò)展與中間件的知識(shí)展開,文中有非常詳細(xì)的介紹,需要的朋友可以參考下2021-06-06
這里給大家分享的是php讀取word并提取word內(nèi)信息的方法，十分的簡單實(shí)用，有需要的小伙伴可以參考下。2015-08-08
Python中pandas庫sort_values()方法的使用
最后去看了有關(guān)于 sort_values 的文檔，成功解決先把單詞出現(xiàn)頻次由高往低依次排序，再把頻次相同的情況下的單詞按照 MD5 值排序這個(gè)問題，下面通過本文講解下Python中pandas庫sort_values()方法的使用，感興趣的朋友一起看看吧2023-07-07
這篇文章主要介紹了簡單介紹Python中的JSON模塊,包括初步的從Python中的數(shù)據(jù)格式轉(zhuǎn)換為JSON格式等,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了python3 sqlite3限制條件查詢的操作，具有很好的參考價(jià)值，希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2021-04-04
在現(xiàn)實(shí)中,很多工作都需要與數(shù)據(jù)打交道,Excel 作為常用的數(shù)據(jù)處理工具,一直備受人們的青睞,本文主要為大家介紹了一些Python中Excel的基本操作,希望對(duì)大家有所幫助2025-01-01
Matplotlib是一個(gè)強(qiáng)大的Python繪圖庫,可以用來繪制各種靜態(tài)、動(dòng)態(tài)和交互式的圖表,文章介紹了Matplotlib的基本概念、繪制折線圖、散點(diǎn)圖、柱狀圖、直方圖和餅圖等方法,并詳細(xì)解釋了Matplotlib的三層結(jié)構(gòu)2025-02-02
Python測(cè)試WebService接口的實(shí)現(xiàn)示例
webService接口是走soap協(xié)議通過http傳輸,請(qǐng)求報(bào)文和返回報(bào)文都是xml格式的,本文主要介紹了Python測(cè)試WebService接口,具有一定的參考價(jià)值,感興趣的可以了解一下2024-03-03
Python從列表推導(dǎo)到zip()函數(shù)的5種技巧總結(jié)
在本篇文章里小編給大家整理的是關(guān)于Python從列表推導(dǎo)到zip()函數(shù)的5種技巧的相關(guān)知識(shí)點(diǎn)和代碼，需要的朋友們參考學(xué)習(xí)下。2019-10-10