Pytorch-nn.BatchNorm2d()

Pytorch官方文档：

测试代码：

转自：https://blog.csdn.net/tmk_01/article/details/80679549

import torch
import torch.nn as nn

m = nn.BatchNorm2d(2,affine=True) #weight(gamma)和bias(beta)将被使用
input = torch.randn(1,2,3,4)
output = m(input)

print("输入图片：")
print(input)
print("归一化权重(公式中的gamma)：")
print(m.weight)
print("归一化偏置(公式中的beta)：")
print(m.bias)

print("归一化的输出：")
print(output)
print("输出的尺度：")
print(output.size())

# i = torch.randn(1,1,2)
print("输入的第一个维度：")
print(input[0][0])
firstDimenMean = torch.Tensor.mean(input[0][0])
firstDimenVar= torch.Tensor.var(input[0][0],False) #Bessel's Correction贝塞尔校正不会被使用

print(m.eps)
print("输入的第一个维度平均值：")
print(firstDimenMean)
print("输入的第一个维度方差：")
print(firstDimenVar)

bacthnormone = \
    ((input[0][0][0][0] - firstDimenMean)/(torch.pow(firstDimenVar+m.eps,0.5) ))\
               * m.weight[0] + m.bias[0]
print(bacthnormone)

代码运行结果：

输入图片：
tensor([[[[-1.1622, -0.9170, -0.6798, -0.0270],
          [ 0.2687, -1.6046, -0.2142, -0.3561],
          [ 0.2908, -0.1012,  1.3594,  1.1316]],

         [[ 0.4689,  1.4049,  1.2324, -1.3721],
          [-0.1498, -0.3207,  0.5072, -1.2563],
          [ 1.5934, -0.8010,  0.1270,  0.5993]]]])
归一化权重(公式中的gamma)：
Parameter containing:
tensor([0.8681, 0.7207], requires_grad=True)
归一化偏置(公式中的beta)：
Parameter containing:
tensor([0., 0.], requires_grad=True)
归一化的输出：
tensor([[[[-1.0344, -0.7794, -0.5326,  0.1463],
          [ 0.4538, -1.4945, -0.0484, -0.1960],
          [ 0.4767,  0.0691,  1.5881,  1.3512]],

         [[ 0.2279,  0.9400,  0.8088, -1.1729],
          [-0.2429, -0.3729,  0.2570, -1.0848],
          [ 1.0834, -0.7384, -0.0323,  0.3271]]]],
       grad_fn=<ThnnBatchNormBackward>)
输出的尺度：
torch.Size([1, 2, 3, 4])
输入的第一个维度：
tensor([[-1.1622, -0.9170, -0.6798, -0.0270],
        [ 0.2687, -1.6046, -0.2142, -0.3561],
        [ 0.2908, -0.1012,  1.3594,  1.1316]])
1e-05
输入的第一个维度平均值：
tensor(-0.1676)
输入的第一个维度方差：
tensor(0.6967)
tensor(-1.0344, grad_fn=<ThAddBackward>)

BatchNorm深度理解可参考：

　　https://zhuanlan.zhihu.com/p/30922689

　　4.Normalizing activations in a network

　　5.Fitting Batch Norm into a neural network

　　6.Why does Batch Norm work？

　　7. Batch Norm at test time