batch_norm¶

paddle.nn.functional.batch_norm(x, running_mean, running_var, weight, bias, training=False, momentum=0.9, epsilon=1e-05, data_format='NCHW', name=None):

推荐使用 nn.BatchNorm1D，nn.BatchNorm2D, nn.BatchNorm3D，由内部调用此方法。

参数¶

x (int) - 输入，数据类型为 float32, float64。

running_mean (Tensor) - 均值的 Tensor。

running_var (Tensor) - 方差的 Tensor。

weight (Tensor) - 权重的 Tensor。

bias (Tensor) - 偏置的 Tensor。

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。

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

data_format (string，可选) - 指定输入数据格式，数据格式可以为“NC", "NCL", "NCHW" 或者"NCDHW"。默认值："NCHW"。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回¶

无

代码示例¶

          import paddle

x = paddle.arange(12, dtype="float32").reshape([2, 1, 2, 3])
print(x)
# Tensor(shape=[2, 1, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[0. , 1. , 2. ],
#           [3. , 4. , 5. ]]],

#         [[[6. , 7. , 8. ],
#           [9. , 10., 11.]]]])

running_mean = paddle.to_tensor([0], dtype="float32")
running_variance = paddle.to_tensor([1], dtype="float32")
weight = paddle.to_tensor([2], dtype="float32")
bias = paddle.to_tensor([1], dtype="float32")

batch_norm_out = paddle.nn.functional.batch_norm(x, running_mean,
                                            running_variance, weight, bias)
print(batch_norm_out)
# Tensor(shape=[2, 1, 2, 3], dtype=float32, place=Place(gpu:0), stop_gradient=True,
#        [[[[1.         , 2.99998999 , 4.99997997 ],
#           [6.99996948 , 8.99995995 , 10.99994946]]],

#         [[[12.99993896, 14.99992943, 16.99991989],
#           [18.99990845, 20.99989891, 22.99988937]]]])

         