-
Pytorch：BatchNorm1d、BatchNorm2d、BatchNorm3d
-
pytorch常用normalization函数
-
Pytorch常用张量操作以及归一化算法实现
-
如何区分并记住常见的几种 Normalization 算法
-
聊一聊深度学习的activation function
-
谈谈激活函数以零为中心的问题
-
PyTorch经验指南：技巧与陷阱
-
从反向传播推导到梯度消失and爆炸的原因及解决方案（从DNN到RNN，内附详细反向传播公式推导）
-
详解深度学习中的梯度消失、爆炸原因及其解决方法
1.nn.BatchNorm1d(num_features)
1.对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作
2.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 width]'
意思即输入大小的形状可以是'batch_size x num_features' 和 'batch_size x num_features x width' 都可以。
（输入输出相同）
输入Shape：（N, C）或者(N, C, L)
输出Shape：（N, C）或者（N，C，L）
eps：为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum：动态均值和动态方差所使用的动量。默认为0.1。
affine：一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为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。
4.例子
>>> # With Learnable Parameters
>>> m = nn.BatchNorm1d(100) #num_features指的是randn(20, 100)中（N, C）的第二维C
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm1d(100, affine=False)
>>> input = autograd.Variable(torch.randn(20, 100)) #输入Shape：（N, C）
>>> output = m(input) #输出Shape：（N, C）
2.nn.BatchNorm2d(num_features)
1.对小批量(mini-batch)3d数据组成的4d输入进行批标准化(Batch Normalization)操作
2.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'
（输入输出相同）
输入Shape：（N, C，H, W)
输出Shape：（N, C, H, W）
eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum： 动态均值和动态方差所使用的动量。默认为0.1。
affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为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。
4.例子
>>> # With Learnable Parameters
>>> m = nn.BatchNorm2d(100) #num_features指的是randn(20, 100, 35, 45)中（N, C，H, W)的第二维C
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm2d(100, affine=False)
>>> input = autograd.Variable(torch.randn(20, 100, 35, 45)) #输入Shape：（N, C，H, W)
>>> output = m(input)
3.nn.BatchNorm3d(num_features)
1.对小批量(mini-batch)4d数据组成的5d输入进行批标准化(Batch Normalization)操作
2.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 depth x height x width'
（输入输出相同）
输入Shape：（N, C，D, H, W)
输出Shape：（N, C, D, H, W）
eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。
momentum： 动态均值和动态方差所使用的动量。默认为0.1。
affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。
3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）
在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为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。
4.例子
>>> # With Learnable Parameters
>>> m = nn.BatchNorm3d(100) #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C
>>> # Without Learnable Parameters
>>> m = nn.BatchNorm3d(100, affine=False) #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C
>>> input = autograd.Variable(torch.randn(20, 100, 35, 45, 10)) #输入Shape：（N, C, D, H, W）
>>> output = m(input)
