pytorch方法测试详解——归一化(BatchNorm2d)

pytorch方法测试详解方法测试详解——归一化归一化(BatchNorm2d)

今天小编就为大家分享一篇pytorch方法测试详解——归一化(BatchNorm2d)，具有很好的参考价值，希望对大

家有所帮助。一起跟随小编过来看看吧

测试代码：测试代码：

import torch

import torch.nn as nn

m = nn.BatchNorm2d(2,affine=True) #权重w和偏重将被使用

input = torch.randn(1,2,3,4)

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

((input[0][0][0][0] - firstDimenMean)/(torch.pow(firstDimenVar+m.eps,0.5) ))\

* m.weight[0] + m.bias[0]

print(bacthnormone)

输出为：

输入图片：

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],

tensor([ 0., 0.])

归一化的输出：

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]]]])