pytorch方法测试——归一化（BatchNorm2d）

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)
output = m(input)

print("输入图片：")
print(input)
print("归一化权重：")
print(m.weight)
print("归一化的偏重：")
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)

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],
          [ 0.0334, -0.6333,  0.1308, -0.2180]]]])
归一化权重：
Parameter containing:
tensor([ 0.5653,  0.0322])
归一化的偏重：
Parameter containing:
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]]]])
输出的尺度：
torch.Size([1, 2, 3, 4])
输入的第一个维度：
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
输入的第一个维度平均值：
tensor(0.1401)
输入的第一个维度方差：
tensor(1.6730)
tensor(-1.1237)

结论：

        输出的计算公式如下

        注意torch中方差实现的方法是没有使用Bessel’s correction 贝塞尔校正的方差，所以在自己写的方差中不要用错了。（贝塞尔校正，即样本方差和总体方差之间区别和校正。）