-
Batch Normalization 可以
改善梯度消失/爆炸问题
:前面层的梯度经过多次传递后会变得非常小(大),从而导致网络收敛速度慢(不收敛),应用 BN 可缓解加速网络收敛
:BN 使得每个神经元的输入分布更加稳定减少过拟合
:BN 可减少由于数据分布的变化导致的模型性能下降提高模型泛化能力
:BN 使得模型对输入的微小变化更加稳定缓解超参敏感
:对于 learning rate 等超参数敏感性降低- ...
-
Batch Normalization(BN):使 feature map 满足均值为 0,方差为 1 的分布规律
- 如果batch size为m,则在前向传播过程中,网络中每个节点都有m个输出,所谓的Batch Normalization,就是对该层每个节点的这m个输出进行归一化再输出
- 数学表达:每个 channel 下统计一个对应的均值和方差
x norm = x − E [ x ] V a r [ x ] + ϵ ∗ γ + β x_{\text{norm}} = \frac{x - \mathbb{E}[x]}{\sqrt{Var[x]+\epsilon}} * \gamma + \beta xnorm=Var[x]+ϵ x−E[x]∗γ+β- 其中 γ , β \gamma, \beta γ,β 为可学习的参数
-
代码实践:
python3>>> import torch >>> import torch.nn as nn >>> >>> x = torch.rand(2,1,28,28) ## *0.创建输入 x >>> bn = nn.BatchNorm2d( ## *1. 创建 bn 层, 1, # -- 输入的 channel 数 training = False, # -- 是否为训练模式 affine = False) # -- 是否学习 γ β >>> out = bn(x) ## *2 获取输出 >>> # 查看相关数值 ------------------------------------------------ >>> bn.running_mean # 均值 tensor([0.0507]) >>> bn.running_var # 方差 tensor([0.9080]) >>> bn.weight # γ Parameter containing: tensor([1.], requires_grad=True) >>> bn.bias # β Parameter containing: tensor([0.], requires_grad=True)
PyTorch -- Batch Normalization(BN) 快速实践
CODE_RabbitV2024-06-16 5:05
相关推荐
星期天要睡觉1 天前
计算机视觉(opencv)实战十八——图像透视转换Morning的呀1 天前
Class48 GRU拾零吖1 天前
李宏毅 Deep Learning华芯邦1 天前
广东充电芯片助力新能源汽车车载系统升级时空无限1 天前
说说transformer 中的掩码矩阵以及为什么能掩盖住词语查里王1 天前
AI 3D 生成工具知识库:当前产品格局与测评总结武子康1 天前
AI-调查研究-76-具身智能 当机器人走进生活:具身智能对就业与社会结构的深远影响小鹿清扫日记1 天前
从蛮力清扫到 “会看路”:室外清洁机器人的文明进阶技术小黑1 天前
Transformer系列 | Pytorch复现Transformerfanstuck1 天前
Prompt提示工程上手指南(六):AI避免“幻觉”(Hallucination)策略下的Prompt