Deep learning Pytorch nn.functional.batch_二维输入规范

我目前正在实施一个模型，我需要在测试期间更改运行平均值和标准偏差。因此，我假设

nn.functional.batch_norm

比

nn.BatchNorm2d

然而，我有成批的图像作为输入，目前还不确定如何拍摄这些图像。如何将

nn.functional.batch\u norm

应用于批量2D图像

我目前的代码是这样的，尽管这不正确，我还是发布了这样的代码：

mu = torch.mean(inp[0])
stddev = torch.std(inp[0])
x = nn.functional.batch_norm(inp[0], mu, stddev, training=True, momentum=0.9)

---

关键是2D batchnorm对每个通道执行相同的规范化。i、 e.如果您有一批具有形状（N，C，H，W）的数据，那么您的mu和stddev应该是形状（C，）。如果您的图像没有通道尺寸，请使用

视图添加通道尺寸

警告：如果设置
training=True
，则
batch\u norm
计算并使用适当的标准化统计数据（这意味着我们不需要自己计算平均值和标准值）。您的mu和STDEV应该是所有训练批次的跑步平均值和跑步标准。这些张量在
batch\u norm
函数中用新的批次统计信息更新

# inp is shape (N, C, H, W)
n_chans = inp.shape[1]
running_mu = torch.zeros(n_chans) # zeros are fine for first training iter
running_std = torch.ones(n_chans) # ones are fine for first training iter
x = nn.functional.batch_norm(inp, running_mu, running_std, training=True, momentum=0.9)
# running_mu and running_std now have new values

如果只想使用自己的批次统计信息，请尝试以下操作：

# inp is shape (N, C, H, W)
n_chans = inp.shape[1]
reshaped_inp = inp.permute(1,0,2,3).contiguous().view(n_chans, -1) # shape (C, N*W*H)
mu = reshaped_inp.mean(-1)
stddev = reshaped_inp.std(-1)
x = nn.functional.batch_norm(inp, mu, stddev, training=False)

你解决了这个问题吗？@JakubLangr我很久没有看到这个了。不确定。如果你有类似的问题，我可以投你一票