InstanceNormalization¶
InstanceNormalization - 22¶
版本¶
域:
main自版本:
22函数:
False支持级别:
SupportType.COMMON形状推断:
True
此版本的运算符已自版本 22 起可用。
摘要¶
执行论文https://arxiv.org/abs/1607.08022中描述的实例归一化。
y = scale * (x - mean) / sqrt(variance + epsilon) + B，其中均值和方差是针对每个实例每个通道计算的。
属性¶
epsilon - FLOAT (默认值为
'1e-05')要使用的 epsilon 值以避免被零除。
输入¶
input (异构) - T
来自先前运算符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。
scale (异构) - T
大小为 C 的输入一维比例张量。
B (异构) - T
大小为 C 的输入一维偏差张量。
输出¶
output (异构) - T
与输入形状相同的输出张量。
类型约束¶
T in (
tensor(bfloat16),tensor(double),tensor(float),tensor(float16))将输入和输出类型约束为浮点张量。
InstanceNormalization - 6¶
版本¶
域:
main自版本:
6函数:
False支持级别:
SupportType.COMMON形状推断:
True
此版本的运算符已自版本 6 起可用。
摘要¶
执行论文https://arxiv.org/abs/1607.08022中描述的实例归一化。
y = scale * (x - mean) / sqrt(variance + epsilon) + B，其中均值和方差是针对每个实例每个通道计算的。
属性¶
epsilon - FLOAT (默认值为
'1e-05')要使用的 epsilon 值以避免被零除。
输入¶
input (异构) - T
来自先前运算符的输入数据张量；图像情况的维度为 (N x C x H x W)，其中 N 是批次大小，C 是通道数，H 和 W 是数据的高度和宽度。对于非图像情况，维度采用 (N x C x D1 x D2 … Dn) 的形式，其中 N 是批次大小。
scale (异构) - T
大小为 C 的输入一维比例张量。
B (异构) - T
大小为 C 的输入一维偏差张量。
输出¶
output (异构) - T
与输入形状相同的输出张量。
类型约束¶
T in (
tensor(double),tensor(float),tensor(float16))将输入和输出类型约束为浮点张量。
InstanceNormalization - 1¶
版本¶
域:
main自版本:
1函数:
False支持级别:
SupportType.COMMON形状推断:
False
此版本的运算符已自版本 1 起可用。
摘要¶
执行论文https://arxiv.org/abs/1607.08022中描述的实例归一化。
y = scale * (x - mean) / sqrt(variance + epsilon) + B，其中均值和方差是针对每个实例每个通道计算的。
属性¶
consumed_inputs - INTS :
传统优化属性。
epsilon - FLOAT (默认值为
'1e-05')要使用的 epsilon 值以避免被零除，默认为 1e-5f。
输入¶
input (异构) - T
形状为 NCHW 的输入四维张量。
scale (异构) - T
大小为 C 的输入一维比例张量。
B (异构) - T
大小为 C 的输入一维偏差张量。
输出¶
output (异构) - T
与输入形状相同的输出四维张量。
类型约束¶
T in (
tensor(double),tensor(float),tensor(float16))将输入和输出类型约束为浮点张量。