torch.nn.BatchNorm1d()
1、BatchNorm1d(num_features, eps = 1e-05, momentum=0.1, affine=True)
对于2d或3d输入进行BN。在训练时，该层计算每次输入的均值和方差，并进行平行移动。移动平均默认的动量为0.1。在验证时，训练求得的均值/方差将用于标准化验证数据。
num_features:表示输入的特征数。该期望输入的大小为'batch_size x num_features [x width]'
Shape： - 输入：（N, C）或者(N, C, L) - 输出：（N, C）或者（N，C，L）（输入输出相同）
2、BatchNorm2d(同上)
对3d数据组成的4d输入进行BN。
num_features： 来自期望输入的特征数，该期望输入的大小为'batch_size x num_features x height x width'
Shape： - 输入：（N, C，H, W) - 输出：（N, C, H, W）（输入输出相同）
3、BatchNorm3d(同上)
对4d数据组成的5d输入进行BN。
以上这篇pytorch的batch normalize使用详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持呐喊教程。
声明：本文内容来源于网络，版权归原作者所有，内容由互联网用户自发贡献自行上传，本网站不拥有所有权，未作人工编辑处理，也不承担相关法律责任。如果您发现有涉嫌版权的内容，欢迎发送邮件至：notice#nhooo.com（发邮件时，请将#更换为@）进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。