Instance Normalization（实例归一化） 是一种标准化技术，与 Batch Normalization 类似，但它对每个样本独立地对每个通道进行归一化，而不依赖于小批量数据的统计信息。这使得它非常适合小批量训练任务以及图像生成任务（如风格迁移）。

---

Instance Normalization 的原理

对每个样本 xx 的每个通道 cc 独立进行标准化。
对于输入数据 （以二维输入为例）：

1. 计算每个通道的均值和方差：

• • n：样本索引。
  • c：通道索引。
  • H,W：输入的高度和宽度。

2. 归一化：

• • ϵ 是一个小值，用于防止除零。

3. 缩放和平移：

• γc​ 和 βc 是可学习参数，用于恢复表达能力。

---

Instance Normalization 的特点

1. 独立于批量大小：每个样本独立进行归一化，解决了小批量训练中均值和方差不稳定的问题。
2. 适用于风格迁移任务：在风格迁移中，Instance Normalization 能更好地捕捉图像的风格特征。
3. 不适合特征间强相关任务：Instance Normalization破坏了样本之间的特征相关性，因此不适用于依赖特征间关系的任务（如分类）。

---

PyTorch 中的 InstanceNorm 类

PyTorch 提供了以下三种适用于不同输入维度的 Instance Normalization 类：

• torch.nn.InstanceNorm1d：适用于一维数据（如序列或嵌入向量）。
• torch.nn.InstanceNorm2d：适用于二维数据（如图像）。
• torch.nn.InstanceNorm3d：适用于三维数据（如视频或体数据）。

---

1. torch.nn.InstanceNorm1d

参数：

• num_features：输入的通道数。
• eps：