我尝试使用以下代码实现Batchnorm 2d()层:
class BatchNorm2d(nn.Module):
def __init__(self, num_features):
super(BatchNorm2d, self).__init__()
self.num_features = num_features
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
self.eps = 1e-5
self.momentum = 0.1
self.first_run = True
def forward(self, input):
# input: [batch_size, num_feature_map, height, width]
device = input.device
if self.training:
mean = torch.mean(input, dim=0, keepdim=True).to(device) # [1, num_feature, height, width]
var = torch.var(input, dim=0, unbiased=False, keepdim=True).to(device) # [1, num_feature, height, width]
if self.first_run:
self.weight = Parameter(torch.randn(input.shape, dtype=torch.float32, device=device), requires_grad=True)
self.bias = Parameter(torch.randn(input.shape, dtype=torch.float32, device=device), requires_grad=True)
self.register_buffer('running_mean', torch.zeros(input.shape).to(input.device))
self.register_buffer('running_var', torch.ones(input.shape).to(input.device))
self.first_run = False
self.running_mean = (1 - self.momentum) * self.running_mean + self.momentum * mean
self.running_var = (1 - self.momentum) * self.running_var + self.momentum * var
bn_init = (input - mean) / torch.sqrt(var + self.eps)
else:
bn_init = (input - self.running_mean) / torch.sqrt(self.running_var + self.eps)
return self.weight * bn_init + self.bias
字符串
但是经过训练和测试,我发现使用我的层的结果与使用nn.Batchnorm2d()
的结果无法比较。它一定有什么问题,我猜问题与初始化forward()
中的参数有关。我这样做是因为我不知道如何知道__init__()
中输入的形状,也许有更好的方法。我不知道怎么修,请帮帮忙。谢谢!!
3条答案
按热度按时间nhjlsmyf1#
从HERE得到了答案!
所以weight(bias)的形状是(1,num_features,1,1),而不是(1,num_features,width,height)。
e4yzc0pl2#
如果有人在这一点上绊倒了,你实际上不必像上面那样在模型中设置“设备”。在模型之外,你可以只做
字符串
不确定这是否比手动设置模块内部的权重和偏差设备更好,但我认为肯定更标准
pokxtpni3#
Andrej Karpathy的video有一个非常直观的解释。
下面是1D实现的代码片段,来自与视频相关的notebook:
字符串
pytorch的实现在c++中。
然而,这个实现+解释,来自Dive into deep learning网站,正如在批准的答案中提到的,可能会帮助你理解1D和2D情况之间的实现差异。