instancenorm
对每个观察单独在每个通道上进行归一化
语法
描述
实例归一化操作对每个观察数据独立地跨每个通道的输入数据进行归一化。为了提高训练卷积神经网络的收敛性和降低对网络超参数的敏感性,在卷积和非线性操作之间使用实例归一化,如线性整流函数(Rectified Linear Unit)
.
归一化之后,该操作将输入移位一个可学习偏移量β然后用一个可学习的比例因子来衡量γ.
的instancenorm
函数将层归一化操作应用于dlarray
数据。使用dlarray
对象允许您标记维度,从而更容易处理高维数据。属性标记哪些维度对应于空间、时间、通道和批处理维度“S”
,“T”
,“C”
,“B”
标签,分别。对于未指定的维度和其他维度,使用“U”
标签。为dlarray
对象的函数在特定维度上操作时,可以通过格式化dlarray
对象,或者使用DataFormat
选择。
请注意
类中应用实例规范化layerGraph
对象或层
数组,使用instanceNormalizationLayer
.
对输入数据应用实例规范化操作Y
= instancenorm (X
,抵消
,scaleFactor
)X
并使用指定的偏移量和比例因子进行转换。
的分组子集上的函数归一化“年代”
(空间),“T”
(时间)“U”
的(未指明的)尺寸X
对于每一个观察“C”
(频道)和“B”
(批量)尺寸,独立。
对于未格式化的输入数据,使用“DataFormat”
选择。
将实例规范化操作应用于未格式化的对象Y
= instancenorm (X
,抵消
,scaleFactor
、“DataFormat”FMT)dlarray
对象X
的格式,由FMT
使用任何前面的语法。输出Y
是未格式化的dlarray
对象,其维度顺序与X
.例如,“DataFormat”、“SSCB”
指定二维图像输入格式的数据“SSCB”
(空间,空间,通道,批次)。
例子
输入参数
输出参数
算法
实例规范化操作将元素规范化x我首先计算平均值μ我和方差σ我2在空间和时间维度上为每个通道在每个观测独立。然后,计算归一化激活为
在哪里ϵ是在方差很小时提高数值稳定性的常数。
为了考虑均值和单位方差为零的输入对于实例归一化之后的操作不是最优的可能性,实例归一化操作使用转换进一步转移和扩展激活
其中偏移量β还有比例因子γ是在网络训练期间更新的可学习参数。
扩展功能
版本历史
R2021a中引入