SyncBatchNorm¶

class paddle.nn. SyncBatchNorm ( num_features, epsilon=1e-5, momentum=0.9, weight_attr=None, bias_attr=None, data_format='NCHW', name=None ) [源代码] ¶

该接口用于构建 SyncBatchNorm 类的一个可调用对象，具体用法参照 代码示例 。实现了跨卡GPU同步的批归一化(Cross-GPU Synchronized Batch Normalization Layer)的功能，可用在其他层（类似卷积层和全连接层）之后进行归一化操作。根据所有GPU同一批次的数据按照通道计算的均值和方差进行归一化。更多详情请参考 : Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

当模型处于训练模式时，\(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 是所有GPU上同一minibatch的统计数据。计算公式如下：

• \(x\) : 所有GPU上同一批输入数据

• \(m\) : 所有GPU上同一批次数据的大小

当模型处于评估模式时，\(\mu_{\beta}\) 和 \(\sigma_{\beta}^{2}\) 是全局（或运行）统计数据（moving_mean和moving_variance， 这两个统计量通常来自预先训练好的模型）。计算公式如下：

归一化函数公式如下：

• \(\epsilon\) : 添加较小的值到方差中以防止除零

• \(\gamma\) : 可训练的比例参数

• \(\beta\) : 可训练的偏差参数

参数：

• num_features (int) - 指明输入 Tensor 的通道数量。

• epsilon (float, 可选) - 为了数值稳定加在分母上的值。默认值：1e-05。

• momentum (float, 可选) - 此值用于计算 moving_mean 和 moving_var 。默认值：0.9。更新公式如上所示。

• weight_attr (ParamAttr|bool, 可选) - 指定权重参数属性的对象。如果设置为 False ，则表示本层没有可训练的权重参数。默认值为None，表示使用默认的权重参数属性。具体用法请参见 ParamAttr 。

• bias_attr (ParamAttr|bool, 可选) - 指定偏置参数属性的对象。如果设置为 False ，则表示本层没有可训练的偏置参数。默认值为None，表示使用默认的偏置参数属性。具体用法请参见 ParamAttr 。

形状：

• input: 一个二维到五维的 Tensor 。

• output: 和input 相同形状的 Tensor 。

代码示例

import paddle
import paddle.nn as nn
import numpy as np
x = np.array([[[[0.3, 0.4], [0.3, 0.07]], [[0.83, 0.37], [0.18, 0.93]]]]).astype('float32')
x = paddle.to_tensor(x)
if paddle.is_compiled_with_cuda():
    sync_batch_norm = nn.SyncBatchNorm(2)
    hidden1 = sync_batch_norm(x)
    print(hidden1)
    # [[[[0.26824948, 1.0936325],[0.26824948, -1.6301316]],[[ 0.8095662, -0.665287],[-1.2744656, 1.1301866 ]]]]

import paddle
import paddle.nn as nn
model = nn.Sequential(nn.Conv2D(3, 5, 3), nn.BatchNorm2D(5))
sync_model = nn.SyncBatchNorm.convert_sync_batchnorm(model)