batch norm 中 track_running_stats 的探索

复制代码
if self.track_running_stats:
    self.register_buffer('running_mean', torch.zeros(num_features, **factory_kwargs))
    self.register_buffer('running_var', torch.ones(num_features, **factory_kwargs))
    self.running_mean: Optional[Tensor]
    self.running_var: Optional[Tensor]
    self.register_buffer('num_batches_tracked',
                         torch.tensor(0, dtype=torch.long,
                                      **{k: v for k, v in factory_kwargs.items() if k != 'dtype'}))
    self.num_batches_tracked: Optional[Tensor]
else:
    self.register_buffer("running_mean", None)
    self.register_buffer("running_var", None)
    self.register_buffer("num_batches_tracked", None)

基于条件 self.track_running_stats,self 对象执行了一系列的操作来注册缓冲区(buffer)和属性。

如果 self.track_running_stats 为 True,表示正在跟踪运行时统计信息,那么执行以下操作:

使用 self.register_buffer() 方法注册缓冲区 running_mean,其值为全零的张量,形状为 (num_features,)。num_features 是一个变量,表示特征的数量。**factory_kwargs 是一个包含其他关键字参数的字典,用于创建张量。类似地,使用 self.register_buffer() 方法注册缓冲区 running_var,其值为全一的张量,形状与 running_mean 相同。

register a buffer that should not to be considered a model parameter. are persistent and will be saved alongside parameters

定义属性 self.running_mean 和 self.running_var,它们的类型是 Optional[Tensor],即可选的张量类型。这些属性用于存储跟踪的运行时均值和方差。

使用 self.register_buffer() 方法注册缓冲区 num_batches_tracked,其值为一个长整型张量,初始值为0。这个缓冲区用于跟踪已处理的批次数量。

定义属性 self.num_batches_tracked,也是一个 Optional[Tensor] 类型,用于存储已处理的批次数量。

如果 self.track_running_stats 为 False,表示不跟踪运行时统计信息,那么执行以下操作:

使用 self.register_buffer() 方法分别注册缓冲区 running_mean、running_var 和 num_batches_tracked,它们的值都为 None,即空值。

这些操作的目的是根据条件设置合适的缓冲区和属性,以便在模型的训练和推理过程中进行运行时统计信息的跟踪和更新。如果跟踪统计信息,则使用缓冲区存储相关的均值、方差和已处理的批次数量;否则,这些属性被设置为 None。

torch._six.string_classes 是一个字符串类的元组,用于在 PyTorch 内部处理字符串类型的兼容性。它是一个内部使用的变量,通常不需要在用户的代码中直接使用。

在 PyTorch 中,torch._six.string_classes 用于处理字符串类型的兼容性问题,尤其是在不同的 Python 版本或不同的运行环境中。它定义了一组字符串类,以便在不同的环境中都能正确处理字符串的操作。

该元组包含了多个字符串类,例如:

str:Python 3.x 中的字符串类型。

unicode:Python 2.x 中的字符串类型。

bytes:Python 2.x 和 3.x 中的字节串类型。

通过使用 torch._six.string_classes,PyTorch 可以在不同的 Python 版本中兼容地处理字符串类型,以确保代码的可移植性和兼容性。

需要注意的是,由于 torch._six.string_classes 是一个内部使用的变量,它的具体内容和实现可能会在不同的 PyTorch 版本中有所变化。因此,建议在用户代码中使用标准的字符串类型,如 str,而不是直接依赖于 torch._six.string_classes。

相关推荐
明月与玄武2 分钟前
Python编程的真谛:超越语法,理解编程本质
python·编程语言
CodeCraft Studio4 分钟前
Excel处理控件Aspose.Cells教程:使用 Python 在 Excel 中进行数据验
开发语言·python·excel
微学AI6 分钟前
融合注意力机制和BiGRU的电力领域发电量预测项目研究,并给出相关代码
人工智能·深度学习·自然语言处理·注意力机制·bigru
知来者逆18 分钟前
计算机视觉——速度与精度的完美结合的实时目标检测算法RF-DETR详解
图像处理·人工智能·深度学习·算法·目标检测·计算机视觉·rf-detr
拾忆-eleven38 分钟前
C语言实战:用Pygame打造高难度水果消消乐游戏
c语言·python·pygame
旦莫1 小时前
Python 教程:我们可以给 Python 文件起中文名吗?
开发语言·python
豌豆花下猫1 小时前
Python 潮流周刊#99:如何在生产环境中运行 Python?(摘要)
后端·python·ai
小杨4041 小时前
python入门系列二十(peewee)
人工智能·python·pycharm
弧襪1 小时前
FlaskRestfulAPI接口的初步认识
python·flaskrestfulapi
船长@Quant1 小时前
文档构建:Sphinx全面使用指南 — 进阶篇
python·markdown·sphinx·文档构建