nn.BatchNorm2d的具体实现
2022/4/14 23:16:35
本文主要是介绍nn.BatchNorm2d的具体实现,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
参考:https://blog.csdn.net/qq_38253797/article/details/116847588
import torch import torch.nn as nn import torch.nn.functional as F import numpy as np def _bn(): _batch = torch.randn(3, 4, 5, 5) aa = [] bb = [] for c in range(4): aa.append(0 + torch.mean(_batch[:, c, :, :]) * 0.1) bb.append(1 * 0.9 + torch.var(_batch[:, c, :, :]) * 0.1) print(aa) print(bb) m = nn.BatchNorm2d(4, affine=False, momentum=0.1) _a1 = m(_batch) print(_a1.shape) print(m.running_mean) print(m.running_var) if __name__ == '__main__': _bn()
这篇关于nn.BatchNorm2d的具体实现的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-05-15PingCAP 黄东旭参与 CCF 秀湖会议,共探开源教育未来
- 2024-05-13PingCAP 戴涛:构建面向未来的金融核心系统
- 2024-05-09flutter3.x_macos桌面os实战
- 2024-05-09Rust中的并发性:Sync 和 Send Traits
- 2024-05-08使用Ollama和OpenWebUI在CPU上玩转Meta Llama3-8B
- 2024-05-08完工标准(DoD)与验收条件(AC)究竟有什么不同?
- 2024-05-084万 star 的 NocoDB 在 sealos 上一键起,轻松把数据库编程智能表格
- 2024-05-08Mac 版Stable Diffusion WebUI的安装
- 2024-05-08解锁CodeGeeX智能问答中3项独有的隐藏技能
- 2024-05-08RAG算法优化+新增代码仓库支持,CodeGeeX的@repo功能效果提升